内置数据集（例如：TorchVision）

尽管创建自定义 Dataset 类为您的特定数据提供了最大的灵活性，但许多深度学习 (deep learning)任务，特别是在研究和基准测试中，使用标准化数据集。手动准备这些数据集涉及下载、解压、组织文件和编写解析逻辑，这可能既耗时又容易出错。

幸运的是，PyTorch 提供了配套库，可以简化常见领域的数据处理过程。对于计算机视觉，torchvision 包是一个不可或缺的工具。它不仅包含流行的数据集，还包含预训练 (pre-training)模型和常用的图像转换函数。本节主要介绍如何访问和使用 torchvision.datasets 提供的数据集。

使用 torchvision.datasets 访问数据集

torchvision.datasets 模块提供了对许多广泛使用的计算机视觉数据集的便捷访问，例如 MNIST、Fashion MNIST、CIFAR 10/100、ImageNet、COCO 等。使用这些数据集很简单。通常，您会从 torchvision.datasets 导入特定的数据集类并实例化它。

让我们看一个使用 CIFAR 10 数据集的例子，它包含 60,000 张 32x32 彩色图像，分为 10 个类别。

import torchvision
import torchvision.transforms as transforms

# 定义一个简单的转换，将图像转换为 PyTorch 张量
transform = transforms.Compose([transforms.ToTensor()])

# 加载训练数据集
# root: 数据将被存储/查找的目录
# train=True: 指定训练集
# download=True: 如果本地未找到数据，则下载
# transform: 将定义的转换应用于每张图像
train_dataset = torchvision.datasets.CIFAR10(root='./data',
                                             train=True,
                                             download=True,
                                             transform=transform)

# 加载测试数据集
test_dataset = torchvision.datasets.CIFAR10(root='./data',
                                            train=False,
                                            download=True,
                                            transform=transform)

print(f"CIFAR-10 training dataset size: {len(train_dataset)}")
print(f"CIFAR-10 test dataset size: {len(test_dataset)}")

# 访问单个数据点（图像、标签）
img, label = train_dataset[0]
print(f"Image shape: {img.shape}") # 通常输出：torch.Size([3, 32, 32])
print(f"Label: {label}")          # 输出：表示类别的整数

当您首次运行此代码时，torchvision 会检查指定的 root 目录（在本例中为 ./data）。如果 CIFAR 10 数据不存在，设置 download=True 会指示 torchvision 自动将数据集下载并解压到该目录中。后续运行将发现数据已存在于本地并跳过下载。

注意 transform 参数 (parameter)。您可以在此处指定数据预处理步骤，这些步骤在数据样本加载后但在 __getitem__ 返回之前应用于每个样本。我们使用了 transforms.ToTensor()，它将 PIL 图像格式（torchvision 数据集常用）转换为 PyTorch 张量。数据转换将在下一节中进行更详细的介绍。

结构与使用

重要的是，torchvision.datasets 返回的对象（如上文的 train_dataset 和 test_dataset）是继承自 torch.utils.data.Dataset 的类实例。这意味着它们实现了必需的 __len__ 和 __getitem__ 方法，使其与 PyTorch 的 DataLoader 完全兼容。

• len(train_dataset) 返回数据集中样本的总数。
• train_dataset[i] 返回第 $i$ 个样本，通常是一个元组 (data, target)，其中 data 是预处理后的输入（例如，图像张量），target 是对应的标签或标注。

以下是 CIFAR-10 训练集中类别分布的简单可视化：

CIFAR-10 数据集是平衡的，每个类别恰好有 5,000 张训练图像。

在计算机视觉中

尽管 torchvision 最为完善，但其他领域也存在类似的库：

• torchaudio: 为音频处理任务提供数据集（如 SpeechCommands、LJSpeech 等）、模型和转换功能。
• torchtext: 为自然语言处理提供数据集（如 IMDb 情感分析、WikiText 语言建模）、分词 (tokenization)器 (tokenizer)和词汇工具。注意：torchtext 经历了重大的 API 变更，因此请查阅其文档以了解当前的使用模式。

使用这些库遵循相似的原则：导入所需的数据集类，实例化它（通常带有下载和预处理选项），然后将生成的 Dataset 对象与 DataLoader 一起使用。

依靠这些内置数据集可以显著加快开发和实验速度，使您能够专注于模型架构和训练，而不是数据获取和准备，尤其是在使用标准基准时。请记住，这些数据集对象直接与本章后面讨论的 DataLoader 集成，从而实现高效的批处理和洗牌。