dir() 函数： 让我们知道工具箱以及工具箱中的分隔区有什么东西

help()函数： 让我们知道每个工具箱如何使用，工具的使用方法

Pytorch加载数据

先来一个小案例：

根据输入得到对应的labels

将数据集dataset放入项目的文件目录下。

在pycharm中选中图片，CTRL+SHIFT+C 复制文件所在得绝对路径，复制之后要手动在”\“之后加上”\“表示转义，在控制台中打开图片：img = Image.open(img_path)

控制台右边可以直接查看对象的属性，也可以用命令查看对象的相关属性

可以使用img.show() 将图片显示出来

复制相对地址 Copy Path --> Path From Content Root

from torch.utils.data import Dataset
from PIL import Image  # 用于读取图片
import os              # 用于获取一些文件信息,如地址信息

"""
创建MyData类，继承自Dataset
"""
class MyData(Dataset):

    """
     根据MyData创建实例时，会自动运行 __init__(self) 函数
     一般用于为整个class类提供全局变量
     root_dir:  根目录（相对来说）
     label_dir: 图片上一级目录的名称
    """
    def __init__(self, root_dir, label_dir):
       self.root_dir = root_dir                         # 应该是将传入的参数设为全局变量
       self.label_dir = label_dir                       # 应该是将传入的参数设为全局变量
       self.path = os.path.join(root_dir, label_dir)    # 将路径拼接起来,得到文件所在路径
       self.img_path = os.listdir(self.path)            # 获取所有图片的列表


    """
    数据集本质应当是所有数据样本的一个列表，因此每个样本都有对应的索引index。
    我们取用一个样本最简单的方式就是用该样本的index从数据列表中把它取出来。__getitem__就是做这样一件事。
    具体来说，Dataset可以简单想成一个列表：  datalist = [sample_0, sample_1, ..., sample_n - 1]，
    __getitem__做的事情就是返回第index个样本的具体数据:  return datalist[index]。
    """
    def __getitem__(self, index):
        img_name = self.img_path[index]                 # 变量 img_name 是图片列表的中一个图片的名称（懂意思就行）
        img_item_path = os.path.join(self.root_dir, self.label_dir, img_name)            # 文件的相对路径
        img = Image.open(img_item_path)                 # 打开文件，打开 != 显示
        label = self.label_dir                          # label 就是文件所在目录
        return img, label                               # 返回img和label


    """
    数据集有多长
    """
    def __len__(self):
        return len(self.img_path)


root_dir = "dataset/train"
ants_label_dir = "ants_image"
bees_label_dir = "bees_image"

ants_dataset = MyData(root_dir, ants_label_dir)     # 蚂蚁数据集
bees_dataset = MyData(root_dir, bees_label_dir)     # 蜜蜂数据集
train_dataset = ants_dataset + bees_dataset         # 将两个数据集合并

img1, label = train_dataset[123]
img1.show()

img2, label2 = train_dataset[124]
img2.show()