================ by Jawad Haider
- Datasets with PyTorch
- Perform standard imports
- Loading data from files
- Plot the data
- Using PyTorch’s Dataset and DataLoader classes
- A Quick Note on Torchvision
Datasets with PyTorch¶
In this section we’ll show how to: * load data from outside files *
build random batches using PyTorch’s
data
utilities
At the end we’ll briefly mention torchvision.
Perform standard imports¶
import torch
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
Loading data from files¶
We’ve seen how to load NumPy arrays into PyTorch, and anyone familiar with pandas.read_csv() can use it to prepare data before forming tensors. Here we’ll load the iris flower dataset saved as a .csv file.
| sepal length (cm) | sepal width (cm) | petal length (cm) | petal width (cm) | target | |
|---|---|---|---|---|---|
| 0 | 5.1 | 3.5 | 1.4 | 0.2 | 0.0 |
| 1 | 4.9 | 3.0 | 1.4 | 0.2 | 0.0 |
| 2 | 4.7 | 3.2 | 1.3 | 0.2 | 0.0 |
| 3 | 4.6 | 3.1 | 1.5 | 0.2 | 0.0 |
| 4 | 5.0 | 3.6 | 1.4 | 0.2 | 0.0 |
(150, 5)
Plot the data¶
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10,7))
fig.tight_layout()
plots = [(0,1),(2,3),(0,2),(1,3)]
colors = ['b', 'r', 'g']
labels = ['Iris setosa','Iris virginica','Iris versicolor']
for i, ax in enumerate(axes.flat):
for j in range(3):
x = df.columns[plots[i][0]]
y = df.columns[plots[i][1]]
ax.scatter(df[df['target']==j][x], df[df['target']==j][y], color=colors[j])
ax.set(xlabel=x, ylabel=y)
fig.legend(labels=labels, loc=3, bbox_to_anchor=(1.0,0.85))
plt.show()
The iris dataset consists of 50 samples each from three species of Iris (Iris setosa, Iris virginica and Iris versicolor), for 150 total samples. We have four features (sepal length & width, petal length & width) and three unique labels: 0. Iris setosa 1. Iris virginica 2. Iris versicolor
The classic method for building train/test split tensors¶
Before introducing PyTorch’s Dataset and DataLoader classes, we’ll take a quick look at the alternative.
from sklearn.model_selection import train_test_split
train_X, test_X, train_y, test_y = train_test_split(df.drop('target',axis=1).values,
df['target'].values, test_size=0.2,
random_state=33)
X_train = torch.FloatTensor(train_X)
X_test = torch.FloatTensor(test_X)
y_train = torch.LongTensor(train_y).reshape(-1, 1)
y_test = torch.LongTensor(test_y).reshape(-1, 1)
print(f'Training size: {len(y_train)}')
labels, counts = y_train.unique(return_counts=True)
print(f'Labels: {labels}\nCounts: {counts}')
Training size: 120
Labels: tensor([0, 1, 2])
Counts: tensor([42, 42, 36])
NOTE: The importance of a balanced training set is
discussed in A systematic study of the class imbalance problem in
convolutional neural networks by Mateusz Buda, Atsuto Maki, Maciej
A. Mazurowski (10/15/17, latest rev 10/13/18)
https://arxiv.org/abs/1710.05381
For example, the authors show that oversampling a less common class so that it matches the more common classes is always the preferred choice.
For example, the authors show that oversampling a less common class so that it matches the more common classes is always the preferred choice.
torch.Size([120, 4])
torch.Size([120, 1])
NOTE: It’s up to us to remember which columns
correspond to which features.
Using PyTorch’s Dataset and DataLoader classes¶
A far better alternative is to leverage PyTorch’s Dataset and DataLoader classes.
Usually, to set up a Dataset specific to our investigation we would define our own custom class that inherits from torch.utils.data.Dataset (we’ll do this in the CNN section). For now, we can use the built-in TensorDataset class.
from torch.utils.data import TensorDataset, DataLoader
data = df.drop('target',axis=1).values
labels = df['target'].values
iris = TensorDataset(torch.FloatTensor(data),torch.LongTensor(labels))
150
torch.utils.data.dataset.TensorDataset
(tensor([5.1000, 3.5000, 1.4000, 0.2000]), tensor(0))
(tensor([4.9000, 3.0000, 1.4000, 0.2000]), tensor(0))
(tensor([4.7000, 3.2000, 1.3000, 0.2000]), tensor(0))
(tensor([4.6000, 3.1000, 1.5000, 0.2000]), tensor(0))
(tensor([5.0000, 3.6000, 1.4000, 0.2000]), tensor(0))
(tensor([5.4000, 3.9000, 1.7000, 0.4000]), tensor(0))
(tensor([4.6000, 3.4000, 1.4000, 0.3000]), tensor(0))
(tensor([5.0000, 3.4000, 1.5000, 0.2000]), tensor(0))
(tensor([4.4000, 2.9000, 1.4000, 0.2000]), tensor(0))
(tensor([4.9000, 3.1000, 1.5000, 0.1000]), tensor(0))
(tensor([5.4000, 3.7000, 1.5000, 0.2000]), tensor(0))
(tensor([4.8000, 3.4000, 1.6000, 0.2000]), tensor(0))
(tensor([4.8000, 3.0000, 1.4000, 0.1000]), tensor(0))
(tensor([4.3000, 3.0000, 1.1000, 0.1000]), tensor(0))
(tensor([5.8000, 4.0000, 1.2000, 0.2000]), tensor(0))
(tensor([5.7000, 4.4000, 1.5000, 0.4000]), tensor(0))
(tensor([5.4000, 3.9000, 1.3000, 0.4000]), tensor(0))
(tensor([5.1000, 3.5000, 1.4000, 0.3000]), tensor(0))
(tensor([5.7000, 3.8000, 1.7000, 0.3000]), tensor(0))
(tensor([5.1000, 3.8000, 1.5000, 0.3000]), tensor(0))
(tensor([5.4000, 3.4000, 1.7000, 0.2000]), tensor(0))
(tensor([5.1000, 3.7000, 1.5000, 0.4000]), tensor(0))
(tensor([4.6000, 3.6000, 1.0000, 0.2000]), tensor(0))
(tensor([5.1000, 3.3000, 1.7000, 0.5000]), tensor(0))
(tensor([4.8000, 3.4000, 1.9000, 0.2000]), tensor(0))
(tensor([5.0000, 3.0000, 1.6000, 0.2000]), tensor(0))
(tensor([5.0000, 3.4000, 1.6000, 0.4000]), tensor(0))
(tensor([5.2000, 3.5000, 1.5000, 0.2000]), tensor(0))
(tensor([5.2000, 3.4000, 1.4000, 0.2000]), tensor(0))
(tensor([4.7000, 3.2000, 1.6000, 0.2000]), tensor(0))
(tensor([4.8000, 3.1000, 1.6000, 0.2000]), tensor(0))
(tensor([5.4000, 3.4000, 1.5000, 0.4000]), tensor(0))
(tensor([5.2000, 4.1000, 1.5000, 0.1000]), tensor(0))
(tensor([5.5000, 4.2000, 1.4000, 0.2000]), tensor(0))
(tensor([4.9000, 3.1000, 1.5000, 0.1000]), tensor(0))
(tensor([5.0000, 3.2000, 1.2000, 0.2000]), tensor(0))
(tensor([5.5000, 3.5000, 1.3000, 0.2000]), tensor(0))
(tensor([4.9000, 3.1000, 1.5000, 0.1000]), tensor(0))
(tensor([4.4000, 3.0000, 1.3000, 0.2000]), tensor(0))
(tensor([5.1000, 3.4000, 1.5000, 0.2000]), tensor(0))
(tensor([5.0000, 3.5000, 1.3000, 0.3000]), tensor(0))
(tensor([4.5000, 2.3000, 1.3000, 0.3000]), tensor(0))
(tensor([4.4000, 3.2000, 1.3000, 0.2000]), tensor(0))
(tensor([5.0000, 3.5000, 1.6000, 0.6000]), tensor(0))
(tensor([5.1000, 3.8000, 1.9000, 0.4000]), tensor(0))
(tensor([4.8000, 3.0000, 1.4000, 0.3000]), tensor(0))
(tensor([5.1000, 3.8000, 1.6000, 0.2000]), tensor(0))
(tensor([4.6000, 3.2000, 1.4000, 0.2000]), tensor(0))
(tensor([5.3000, 3.7000, 1.5000, 0.2000]), tensor(0))
(tensor([5.0000, 3.3000, 1.4000, 0.2000]), tensor(0))
(tensor([7.0000, 3.2000, 4.7000, 1.4000]), tensor(1))
(tensor([6.4000, 3.2000, 4.5000, 1.5000]), tensor(1))
(tensor([6.9000, 3.1000, 4.9000, 1.5000]), tensor(1))
(tensor([5.5000, 2.3000, 4.0000, 1.3000]), tensor(1))
(tensor([6.5000, 2.8000, 4.6000, 1.5000]), tensor(1))
(tensor([5.7000, 2.8000, 4.5000, 1.3000]), tensor(1))
(tensor([6.3000, 3.3000, 4.7000, 1.6000]), tensor(1))
(tensor([4.9000, 2.4000, 3.3000, 1.0000]), tensor(1))
(tensor([6.6000, 2.9000, 4.6000, 1.3000]), tensor(1))
(tensor([5.2000, 2.7000, 3.9000, 1.4000]), tensor(1))
(tensor([5.0000, 2.0000, 3.5000, 1.0000]), tensor(1))
(tensor([5.9000, 3.0000, 4.2000, 1.5000]), tensor(1))
(tensor([6.0000, 2.2000, 4.0000, 1.0000]), tensor(1))
(tensor([6.1000, 2.9000, 4.7000, 1.4000]), tensor(1))
(tensor([5.6000, 2.9000, 3.6000, 1.3000]), tensor(1))
(tensor([6.7000, 3.1000, 4.4000, 1.4000]), tensor(1))
(tensor([5.6000, 3.0000, 4.5000, 1.5000]), tensor(1))
(tensor([5.8000, 2.7000, 4.1000, 1.0000]), tensor(1))
(tensor([6.2000, 2.2000, 4.5000, 1.5000]), tensor(1))
(tensor([5.6000, 2.5000, 3.9000, 1.1000]), tensor(1))
(tensor([5.9000, 3.2000, 4.8000, 1.8000]), tensor(1))
(tensor([6.1000, 2.8000, 4.0000, 1.3000]), tensor(1))
(tensor([6.3000, 2.5000, 4.9000, 1.5000]), tensor(1))
(tensor([6.1000, 2.8000, 4.7000, 1.2000]), tensor(1))
(tensor([6.4000, 2.9000, 4.3000, 1.3000]), tensor(1))
(tensor([6.6000, 3.0000, 4.4000, 1.4000]), tensor(1))
(tensor([6.8000, 2.8000, 4.8000, 1.4000]), tensor(1))
(tensor([6.7000, 3.0000, 5.0000, 1.7000]), tensor(1))
(tensor([6.0000, 2.9000, 4.5000, 1.5000]), tensor(1))
(tensor([5.7000, 2.6000, 3.5000, 1.0000]), tensor(1))
(tensor([5.5000, 2.4000, 3.8000, 1.1000]), tensor(1))
(tensor([5.5000, 2.4000, 3.7000, 1.0000]), tensor(1))
(tensor([5.8000, 2.7000, 3.9000, 1.2000]), tensor(1))
(tensor([6.0000, 2.7000, 5.1000, 1.6000]), tensor(1))
(tensor([5.4000, 3.0000, 4.5000, 1.5000]), tensor(1))
(tensor([6.0000, 3.4000, 4.5000, 1.6000]), tensor(1))
(tensor([6.7000, 3.1000, 4.7000, 1.5000]), tensor(1))
(tensor([6.3000, 2.3000, 4.4000, 1.3000]), tensor(1))
(tensor([5.6000, 3.0000, 4.1000, 1.3000]), tensor(1))
(tensor([5.5000, 2.5000, 4.0000, 1.3000]), tensor(1))
(tensor([5.5000, 2.6000, 4.4000, 1.2000]), tensor(1))
(tensor([6.1000, 3.0000, 4.6000, 1.4000]), tensor(1))
(tensor([5.8000, 2.6000, 4.0000, 1.2000]), tensor(1))
(tensor([5.0000, 2.3000, 3.3000, 1.0000]), tensor(1))
(tensor([5.6000, 2.7000, 4.2000, 1.3000]), tensor(1))
(tensor([5.7000, 3.0000, 4.2000, 1.2000]), tensor(1))
(tensor([5.7000, 2.9000, 4.2000, 1.3000]), tensor(1))
(tensor([6.2000, 2.9000, 4.3000, 1.3000]), tensor(1))
(tensor([5.1000, 2.5000, 3.0000, 1.1000]), tensor(1))
(tensor([5.7000, 2.8000, 4.1000, 1.3000]), tensor(1))
(tensor([6.3000, 3.3000, 6.0000, 2.5000]), tensor(2))
(tensor([5.8000, 2.7000, 5.1000, 1.9000]), tensor(2))
(tensor([7.1000, 3.0000, 5.9000, 2.1000]), tensor(2))
(tensor([6.3000, 2.9000, 5.6000, 1.8000]), tensor(2))
(tensor([6.5000, 3.0000, 5.8000, 2.2000]), tensor(2))
(tensor([7.6000, 3.0000, 6.6000, 2.1000]), tensor(2))
(tensor([4.9000, 2.5000, 4.5000, 1.7000]), tensor(2))
(tensor([7.3000, 2.9000, 6.3000, 1.8000]), tensor(2))
(tensor([6.7000, 2.5000, 5.8000, 1.8000]), tensor(2))
(tensor([7.2000, 3.6000, 6.1000, 2.5000]), tensor(2))
(tensor([6.5000, 3.2000, 5.1000, 2.0000]), tensor(2))
(tensor([6.4000, 2.7000, 5.3000, 1.9000]), tensor(2))
(tensor([6.8000, 3.0000, 5.5000, 2.1000]), tensor(2))
(tensor([5.7000, 2.5000, 5.0000, 2.0000]), tensor(2))
(tensor([5.8000, 2.8000, 5.1000, 2.4000]), tensor(2))
(tensor([6.4000, 3.2000, 5.3000, 2.3000]), tensor(2))
(tensor([6.5000, 3.0000, 5.5000, 1.8000]), tensor(2))
(tensor([7.7000, 3.8000, 6.7000, 2.2000]), tensor(2))
(tensor([7.7000, 2.6000, 6.9000, 2.3000]), tensor(2))
(tensor([6.0000, 2.2000, 5.0000, 1.5000]), tensor(2))
(tensor([6.9000, 3.2000, 5.7000, 2.3000]), tensor(2))
(tensor([5.6000, 2.8000, 4.9000, 2.0000]), tensor(2))
(tensor([7.7000, 2.8000, 6.7000, 2.0000]), tensor(2))
(tensor([6.3000, 2.7000, 4.9000, 1.8000]), tensor(2))
(tensor([6.7000, 3.3000, 5.7000, 2.1000]), tensor(2))
(tensor([7.2000, 3.2000, 6.0000, 1.8000]), tensor(2))
(tensor([6.2000, 2.8000, 4.8000, 1.8000]), tensor(2))
(tensor([6.1000, 3.0000, 4.9000, 1.8000]), tensor(2))
(tensor([6.4000, 2.8000, 5.6000, 2.1000]), tensor(2))
(tensor([7.2000, 3.0000, 5.8000, 1.6000]), tensor(2))
(tensor([7.4000, 2.8000, 6.1000, 1.9000]), tensor(2))
(tensor([7.9000, 3.8000, 6.4000, 2.0000]), tensor(2))
(tensor([6.4000, 2.8000, 5.6000, 2.2000]), tensor(2))
(tensor([6.3000, 2.8000, 5.1000, 1.5000]), tensor(2))
(tensor([6.1000, 2.6000, 5.6000, 1.4000]), tensor(2))
(tensor([7.7000, 3.0000, 6.1000, 2.3000]), tensor(2))
(tensor([6.3000, 3.4000, 5.6000, 2.4000]), tensor(2))
(tensor([6.4000, 3.1000, 5.5000, 1.8000]), tensor(2))
(tensor([6.0000, 3.0000, 4.8000, 1.8000]), tensor(2))
(tensor([6.9000, 3.1000, 5.4000, 2.1000]), tensor(2))
(tensor([6.7000, 3.1000, 5.6000, 2.4000]), tensor(2))
(tensor([6.9000, 3.1000, 5.1000, 2.3000]), tensor(2))
(tensor([5.8000, 2.7000, 5.1000, 1.9000]), tensor(2))
(tensor([6.8000, 3.2000, 5.9000, 2.3000]), tensor(2))
(tensor([6.7000, 3.3000, 5.7000, 2.5000]), tensor(2))
(tensor([6.7000, 3.0000, 5.2000, 2.3000]), tensor(2))
(tensor([6.3000, 2.5000, 5.0000, 1.9000]), tensor(2))
(tensor([6.5000, 3.0000, 5.2000, 2.0000]), tensor(2))
(tensor([6.2000, 3.4000, 5.4000, 2.3000]), tensor(2))
(tensor([5.9000, 3.0000, 5.1000, 1.8000]), tensor(2))
Once we have a dataset we can wrap it with a DataLoader. This gives us a powerful sampler that provides single- or multi-process iterators over the dataset.
0 [tensor([[6.7000, 3.1000, 4.4000, 1.4000],
[4.8000, 3.4000, 1.6000, 0.2000],
[4.8000, 3.4000, 1.9000, 0.2000],
[5.6000, 2.9000, 3.6000, 1.3000],
[6.7000, 3.3000, 5.7000, 2.1000],
[6.9000, 3.1000, 4.9000, 1.5000],
[6.7000, 2.5000, 5.8000, 1.8000],
[6.4000, 3.1000, 5.5000, 1.8000],
[6.7000, 3.1000, 5.6000, 2.4000],
[5.5000, 2.5000, 4.0000, 1.3000],
[7.0000, 3.2000, 4.7000, 1.4000],
[5.5000, 4.2000, 1.4000, 0.2000],
[7.3000, 2.9000, 6.3000, 1.8000],
[7.7000, 2.8000, 6.7000, 2.0000],
[4.9000, 3.1000, 1.5000, 0.1000],
[7.2000, 3.0000, 5.8000, 1.6000],
[6.7000, 3.1000, 4.7000, 1.5000],
[5.8000, 2.7000, 3.9000, 1.2000],
[5.5000, 2.4000, 3.8000, 1.1000],
[5.0000, 3.5000, 1.6000, 0.6000],
[5.1000, 3.8000, 1.6000, 0.2000],
[4.8000, 3.0000, 1.4000, 0.1000],
[6.5000, 3.0000, 5.5000, 1.8000],
[6.7000, 3.0000, 5.2000, 2.3000],
[6.8000, 2.8000, 4.8000, 1.4000],
[7.4000, 2.8000, 6.1000, 1.9000],
[5.0000, 3.4000, 1.6000, 0.4000],
[6.3000, 3.3000, 6.0000, 2.5000],
[5.7000, 2.8000, 4.1000, 1.3000],
[5.1000, 3.8000, 1.9000, 0.4000],
[6.6000, 2.9000, 4.6000, 1.3000],
[6.3000, 3.4000, 5.6000, 2.4000],
[5.0000, 3.2000, 1.2000, 0.2000],
[5.9000, 3.2000, 4.8000, 1.8000],
[4.7000, 3.2000, 1.6000, 0.2000],
[5.1000, 3.8000, 1.5000, 0.3000],
[5.7000, 2.6000, 3.5000, 1.0000],
[5.7000, 4.4000, 1.5000, 0.4000],
[5.0000, 2.0000, 3.5000, 1.0000],
[4.4000, 3.2000, 1.3000, 0.2000],
[5.2000, 3.4000, 1.4000, 0.2000],
[5.5000, 2.3000, 4.0000, 1.3000],
[7.6000, 3.0000, 6.6000, 2.1000],
[4.4000, 2.9000, 1.4000, 0.2000],
[5.7000, 3.8000, 1.7000, 0.3000],
[7.7000, 3.0000, 6.1000, 2.3000],
[4.9000, 2.5000, 4.5000, 1.7000],
[5.9000, 3.0000, 5.1000, 1.8000],
[7.2000, 3.6000, 6.1000, 2.5000],
[5.8000, 2.8000, 5.1000, 2.4000],
[4.7000, 3.2000, 1.3000, 0.2000],
[6.2000, 3.4000, 5.4000, 2.3000],
[5.7000, 3.0000, 4.2000, 1.2000],
[5.6000, 2.7000, 4.2000, 1.3000],
[5.2000, 4.1000, 1.5000, 0.1000],
[5.1000, 3.5000, 1.4000, 0.3000],
[5.0000, 3.0000, 1.6000, 0.2000],
[6.3000, 2.3000, 4.4000, 1.3000],
[6.5000, 3.2000, 5.1000, 2.0000],
[5.6000, 2.8000, 4.9000, 2.0000],
[5.4000, 3.4000, 1.7000, 0.2000],
[5.9000, 3.0000, 4.2000, 1.5000],
[6.2000, 2.2000, 4.5000, 1.5000],
[5.1000, 3.4000, 1.5000, 0.2000],
[6.9000, 3.1000, 5.4000, 2.1000],
[4.6000, 3.2000, 1.4000, 0.2000],
[5.8000, 2.7000, 4.1000, 1.0000],
[5.8000, 2.7000, 5.1000, 1.9000],
[6.0000, 2.2000, 4.0000, 1.0000],
[6.3000, 2.7000, 4.9000, 1.8000],
[7.1000, 3.0000, 5.9000, 2.1000],
[6.3000, 2.9000, 5.6000, 1.8000],
[4.6000, 3.1000, 1.5000, 0.2000],
[4.4000, 3.0000, 1.3000, 0.2000],
[5.5000, 2.6000, 4.4000, 1.2000],
[5.4000, 3.4000, 1.5000, 0.4000],
[4.9000, 2.4000, 3.3000, 1.0000],
[6.2000, 2.8000, 4.8000, 1.8000],
[7.2000, 3.2000, 6.0000, 1.8000],
[6.3000, 3.3000, 4.7000, 1.6000],
[5.6000, 3.0000, 4.5000, 1.5000],
[6.0000, 2.7000, 5.1000, 1.6000],
[6.0000, 2.2000, 5.0000, 1.5000],
[6.4000, 2.9000, 4.3000, 1.3000],
[5.8000, 2.6000, 4.0000, 1.2000],
[6.9000, 3.1000, 5.1000, 2.3000],
[5.6000, 3.0000, 4.1000, 1.3000],
[5.4000, 3.9000, 1.3000, 0.4000],
[5.3000, 3.7000, 1.5000, 0.2000],
[6.3000, 2.5000, 4.9000, 1.5000],
[5.0000, 3.6000, 1.4000, 0.2000],
[5.1000, 3.3000, 1.7000, 0.5000],
[6.1000, 2.8000, 4.7000, 1.2000],
[6.2000, 2.9000, 4.3000, 1.3000],
[6.7000, 3.0000, 5.0000, 1.7000],
[6.1000, 2.6000, 5.6000, 1.4000],
[6.4000, 2.7000, 5.3000, 1.9000],
[4.5000, 2.3000, 1.3000, 0.3000],
[6.1000, 2.8000, 4.0000, 1.3000],
[5.4000, 3.0000, 4.5000, 1.5000],
[6.5000, 3.0000, 5.2000, 2.0000],
[6.0000, 3.0000, 4.8000, 1.8000],
[5.0000, 3.5000, 1.3000, 0.3000],
[6.5000, 3.0000, 5.8000, 2.2000],
[5.0000, 3.3000, 1.4000, 0.2000]]), tensor([1, 0, 0, 1, 2, 1, 2, 2, 2, 1, 1, 0, 2, 2, 0, 2, 1, 1, 1, 0, 0, 0, 2, 2,
1, 2, 0, 2, 1, 0, 1, 2, 0, 1, 0, 0, 1, 0, 1, 0, 0, 1, 2, 0, 0, 2, 2, 2,
2, 2, 0, 2, 1, 1, 0, 0, 0, 1, 2, 2, 0, 1, 1, 0, 2, 0, 1, 2, 1, 2, 2, 2,
0, 0, 1, 0, 1, 2, 2, 1, 1, 1, 2, 1, 1, 2, 1, 0, 0, 1, 0, 0, 1, 1, 1, 2,
2, 0, 1, 1, 2, 2, 0, 2, 0])]
1 [tensor([[5.5000, 2.4000, 3.7000, 1.0000],
[6.4000, 3.2000, 4.5000, 1.5000],
[5.6000, 2.5000, 3.9000, 1.1000],
[5.1000, 3.7000, 1.5000, 0.4000],
[5.0000, 2.3000, 3.3000, 1.0000],
[5.0000, 3.4000, 1.5000, 0.2000],
[5.7000, 2.9000, 4.2000, 1.3000],
[6.1000, 3.0000, 4.9000, 1.8000],
[5.1000, 2.5000, 3.0000, 1.1000],
[6.0000, 2.9000, 4.5000, 1.5000],
[4.3000, 3.0000, 1.1000, 0.1000],
[6.4000, 2.8000, 5.6000, 2.1000],
[5.1000, 3.5000, 1.4000, 0.2000],
[5.7000, 2.8000, 4.5000, 1.3000],
[4.9000, 3.1000, 1.5000, 0.1000],
[7.7000, 2.6000, 6.9000, 2.3000],
[6.6000, 3.0000, 4.4000, 1.4000],
[4.8000, 3.0000, 1.4000, 0.3000],
[6.4000, 2.8000, 5.6000, 2.2000],
[6.8000, 3.2000, 5.9000, 2.3000],
[5.4000, 3.7000, 1.5000, 0.2000],
[4.9000, 3.1000, 1.5000, 0.1000],
[6.9000, 3.2000, 5.7000, 2.3000],
[5.8000, 2.7000, 5.1000, 1.9000],
[6.1000, 2.9000, 4.7000, 1.4000],
[4.6000, 3.6000, 1.0000, 0.2000],
[5.2000, 3.5000, 1.5000, 0.2000],
[6.8000, 3.0000, 5.5000, 2.1000],
[7.7000, 3.8000, 6.7000, 2.2000],
[6.0000, 3.4000, 4.5000, 1.6000],
[5.7000, 2.5000, 5.0000, 2.0000],
[6.5000, 2.8000, 4.6000, 1.5000],
[4.6000, 3.4000, 1.4000, 0.3000],
[5.2000, 2.7000, 3.9000, 1.4000],
[5.5000, 3.5000, 1.3000, 0.2000],
[4.9000, 3.0000, 1.4000, 0.2000],
[6.3000, 2.5000, 5.0000, 1.9000],
[6.1000, 3.0000, 4.6000, 1.4000],
[6.4000, 3.2000, 5.3000, 2.3000],
[5.8000, 4.0000, 1.2000, 0.2000],
[6.3000, 2.8000, 5.1000, 1.5000],
[4.8000, 3.1000, 1.6000, 0.2000],
[6.7000, 3.3000, 5.7000, 2.5000],
[5.4000, 3.9000, 1.7000, 0.4000],
[7.9000, 3.8000, 6.4000, 2.0000]]), tensor([1, 1, 1, 0, 1, 0, 1, 2, 1, 1, 0, 2, 0, 1, 0, 2, 1, 0, 2, 2, 0, 0, 2, 2,
1, 0, 0, 2, 2, 1, 2, 1, 0, 1, 0, 0, 2, 1, 2, 0, 2, 0, 2, 0, 2])]
tensor([30, 36, 39])
[tensor([[5.4000, 3.7000, 1.5000, 0.2000],
[4.7000, 3.2000, 1.3000, 0.2000],
[6.1000, 3.0000, 4.6000, 1.4000],
[4.3000, 3.0000, 1.1000, 0.1000],
[5.0000, 3.5000, 1.3000, 0.3000],
[7.2000, 3.2000, 6.0000, 1.8000],
[4.8000, 3.4000, 1.9000, 0.2000],
[6.4000, 3.1000, 5.5000, 1.8000],
[6.6000, 3.0000, 4.4000, 1.4000],
[6.8000, 3.2000, 5.9000, 2.3000],
[6.4000, 3.2000, 4.5000, 1.5000],
[5.0000, 2.3000, 3.3000, 1.0000],
[6.0000, 2.2000, 4.0000, 1.0000],
[6.7000, 3.1000, 5.6000, 2.4000],
[6.0000, 2.7000, 5.1000, 1.6000],
[6.2000, 2.8000, 4.8000, 1.8000],
[5.4000, 3.4000, 1.7000, 0.2000],
[5.4000, 3.9000, 1.7000, 0.4000],
[4.6000, 3.2000, 1.4000, 0.2000],
[5.2000, 2.7000, 3.9000, 1.4000],
[6.0000, 3.0000, 4.8000, 1.8000],
[5.7000, 2.8000, 4.5000, 1.3000],
[7.7000, 2.6000, 6.9000, 2.3000],
[5.2000, 3.5000, 1.5000, 0.2000],
[6.4000, 2.8000, 5.6000, 2.1000],
[5.7000, 3.8000, 1.7000, 0.3000],
[6.3000, 2.7000, 4.9000, 1.8000],
[6.8000, 2.8000, 4.8000, 1.4000],
[6.5000, 3.2000, 5.1000, 2.0000],
[6.9000, 3.2000, 5.7000, 2.3000],
[7.6000, 3.0000, 6.6000, 2.1000],
[6.5000, 2.8000, 4.6000, 1.5000],
[5.4000, 3.9000, 1.3000, 0.4000],
[5.6000, 3.0000, 4.5000, 1.5000],
[6.3000, 2.5000, 4.9000, 1.5000],
[5.2000, 4.1000, 1.5000, 0.1000],
[5.6000, 3.0000, 4.1000, 1.3000],
[4.9000, 3.1000, 1.5000, 0.1000],
[6.2000, 2.2000, 4.5000, 1.5000],
[5.9000, 3.0000, 4.2000, 1.5000],
[6.7000, 2.5000, 5.8000, 1.8000],
[5.1000, 3.5000, 1.4000, 0.2000],
[6.5000, 3.0000, 5.2000, 2.0000],
[7.2000, 3.0000, 5.8000, 1.6000],
[5.9000, 3.2000, 4.8000, 1.8000],
[6.7000, 3.3000, 5.7000, 2.1000],
[5.5000, 2.5000, 4.0000, 1.3000],
[6.6000, 2.9000, 4.6000, 1.3000],
[5.0000, 3.2000, 1.2000, 0.2000],
[5.3000, 3.7000, 1.5000, 0.2000],
[6.2000, 3.4000, 5.4000, 2.3000],
[6.3000, 3.4000, 5.6000, 2.4000],
[5.8000, 2.7000, 5.1000, 1.9000],
[7.0000, 3.2000, 4.7000, 1.4000],
[4.6000, 3.1000, 1.5000, 0.2000],
[7.3000, 2.9000, 6.3000, 1.8000],
[5.5000, 2.4000, 3.8000, 1.1000],
[5.6000, 2.8000, 4.9000, 2.0000],
[6.2000, 2.9000, 4.3000, 1.3000],
[5.0000, 3.0000, 1.6000, 0.2000],
[6.9000, 3.1000, 5.1000, 2.3000],
[6.4000, 2.9000, 4.3000, 1.3000],
[5.6000, 2.5000, 3.9000, 1.1000],
[6.7000, 3.1000, 4.4000, 1.4000],
[7.7000, 3.8000, 6.7000, 2.2000],
[5.8000, 4.0000, 1.2000, 0.2000],
[6.7000, 3.3000, 5.7000, 2.5000],
[5.5000, 2.6000, 4.4000, 1.2000],
[4.4000, 3.0000, 1.3000, 0.2000],
[6.5000, 3.0000, 5.8000, 2.2000],
[7.7000, 2.8000, 6.7000, 2.0000],
[6.1000, 2.6000, 5.6000, 1.4000],
[4.9000, 2.4000, 3.3000, 1.0000],
[6.7000, 3.1000, 4.7000, 1.5000],
[6.0000, 3.4000, 4.5000, 1.6000],
[4.5000, 2.3000, 1.3000, 0.3000],
[5.1000, 3.7000, 1.5000, 0.4000],
[7.2000, 3.6000, 6.1000, 2.5000],
[5.6000, 2.9000, 3.6000, 1.3000],
[5.8000, 2.7000, 3.9000, 1.2000],
[7.1000, 3.0000, 5.9000, 2.1000],
[6.0000, 2.2000, 5.0000, 1.5000],
[5.0000, 3.4000, 1.5000, 0.2000],
[6.9000, 3.1000, 4.9000, 1.5000],
[5.7000, 2.8000, 4.1000, 1.3000],
[6.3000, 2.5000, 5.0000, 1.9000],
[6.4000, 2.7000, 5.3000, 1.9000],
[5.0000, 2.0000, 3.5000, 1.0000],
[6.3000, 3.3000, 6.0000, 2.5000],
[6.3000, 2.8000, 5.1000, 1.5000],
[5.5000, 2.3000, 4.0000, 1.3000],
[5.8000, 2.6000, 4.0000, 1.2000],
[5.7000, 2.9000, 4.2000, 1.3000],
[6.7000, 3.0000, 5.2000, 2.3000],
[7.4000, 2.8000, 6.1000, 1.9000],
[5.7000, 2.6000, 3.5000, 1.0000],
[4.9000, 2.5000, 4.5000, 1.7000],
[5.8000, 2.7000, 5.1000, 1.9000],
[5.7000, 3.0000, 4.2000, 1.2000],
[4.9000, 3.1000, 1.5000, 0.1000],
[6.1000, 2.9000, 4.7000, 1.4000],
[4.8000, 3.0000, 1.4000, 0.3000],
[4.4000, 3.2000, 1.3000, 0.2000],
[5.1000, 3.8000, 1.9000, 0.4000],
[5.7000, 4.4000, 1.5000, 0.4000]]),
tensor([0, 0, 1, 0, 0, 2, 0, 2, 1, 2, 1, 1, 1, 2, 1, 2, 0, 0, 0, 1, 2, 1, 2, 0,
2, 0, 2, 1, 2, 2, 2, 1, 0, 1, 1, 0, 1, 0, 1, 1, 2, 0, 2, 2, 1, 2, 1, 1,
0, 0, 2, 2, 2, 1, 0, 2, 1, 2, 1, 0, 2, 1, 1, 1, 2, 0, 2, 1, 0, 2, 2, 2,
1, 1, 1, 0, 0, 2, 1, 1, 2, 2, 0, 1, 1, 2, 2, 1, 2, 2, 1, 1, 1, 2, 2, 1,
2, 2, 1, 0, 1, 0, 0, 0, 0])]
A Quick Note on Torchvision¶
PyTorch offers another powerful dataset tool called torchvision, which is useful when working with image data. We’ll go into a lot more detail in the Convolutional Neural Network (CNN) section. For now, just know that torchvision offers built-in image datasets like MNIST and CIFAR-10, as well as tools for transforming images into tensors.