Gluon Data API

import sys
import os
import time
import mxnet as mx
from mxnet import autograd,nd
from mxnet import gluon,init
from mxnet.gluon import data as gdata,loss as gloss
from mxnet.gluon import nn

#gdata.ArrayDataset()  组合数据
#gdata.DataLoader()    从数据集返回一个小批量数据集

#常用数据集
#gdata.vision.MNIST
#gdata.vision.FashionMNIST
#gdata.vision.CIFAR10
#gdata.vision.CIFAR100
#gdata.vision.ImageRecordDataset
#gdata.vision.ImageFolderDataset

# 视觉变换
# gluon.data.vision.transforms

from mxnet.gluon.data.vision import MNIST,transforms

‘‘‘
transforms.Cast     # 转特定数据类型
transforms.ToTensor # 将 ndarray 转为 张量 ndarray
transforms.Normalize # 用 平均值和标准差 规范化一个张量
transforms.RandomResizedCrop # 使用随机比例裁剪图像
transforms.CenterCrop  # 裁剪到中心
transforms.Resize    # 调整到指定大小
transforms.RandomFlipLeftRight # 以0.5的概率左右翻转图像
transforms.RandomFlipTopBottom
transforms.RandomBrightness  # 随机抖动图像亮度
transforms.RandomContrast   # 随机抖动图像对比度
transforms.RandomSaturation  # 随机抖动图像饱和度
transforms.RandomHue        # 随机抖动图像色调
transforms.RandomColorJitter # 随机抖动图像 亮度，对比度，饱和度，色调
transforms.RandomLighting   # 添加一个AlexNet-Style的噪声到图像
‘‘‘

transform = transforms.Compose(
    [transforms.Resize(300),
     transforms.RandomResizedCrop(224),
     transforms.RandomBrightness(0.1),
     transforms.ToTensor(),
     transforms.Normalize(0,1)
     ]
)

data = MNIST(train=True).transform_first(transform)
#print(len(data))
data_loader = gluon.data.DataLoader(data,batch_size=32,num_workers=0)
for data,label in data_loader:
    #print(data)
    #print(label)
    break
#print(len(data_loader))


# API Reference
# 定义数据
tmp = gluon.data.ArrayDataset([1,2,3],[2,3,4])

# 采样
sampler = gluon.data.SequentialSampler(10)
print(list(sampler))
batch_sampler = gluon.data.BatchSampler(sampler,3,last_batch=‘keep‘)
print(list(batch_sampler))

# 从数据集加载数据并返回小批量数据
# gluon.data.DataLoader
# dataset : numpy,mxnet数组均可以直接作为数据集
# batch_size(int) 小批量的大小
# shuffle(bool) 是否要洗牌样品
# sampler 要使用的采样器，shuffle和 sampler 选其一
# last_batch 最后一批，{‘keep‘,‘discard‘,‘rollover‘}
# batch_sampler 返回小批量采样器,指定了batch_sampler则不需要指定 batch_size,shuffle,sampler,last_batch
# batchify_fn 回调函数
# num_workers 加速读取
# pin_memory(bool) True，将数据写入GPU
# prefetch 预读取某些批次

# (fn,lazy=True)
# 默认需要时转换数据
# gluon.data.Dataset.transform()
# gluon.data.Dataset.transform_first()