5 WRITING CUSTOM DATASETS, DATALOADERS AND TRANSFORMS

docs/1.4/5.md

@@ -8,7 +8,7 @@
 
 **作者**： [Sasank Chilamkurthy](https://chsasank.github.io)
 
-解决任何机器学习问题都需要花费大量精力来准备数据。 PyTorch 提供了许多工具来简化数据加载过程，并有望使代码更具可读性。 在本教程中，我们将了解如何从非平凡的数据集中加载和预处理/增强数据。
+解决任何机器学习问题都需要花费大量精力来准备数据。 PyTorch 提供了许多工具来简化数据加载过程，并有望使代码更具可读性。 在本教程中，我们将了解如何从非空的数据集中加载和预处理/增强数据。
 
 要运行本教程，请确保已安装以下软件包：
 
@@ -42,7 +42,7 @@ plt.ion()   # interactive mode
 
 Note
 
-从[此处](https://download.pytorch.org/tutorial/faces.zip)下载数据集，以使图像位于名为“ data / faces /”的目录中。 该数据集实际上是通过对来自标记为“面部”的 imagenet 上的一些图像应用出色的 [dlib 姿态估计](https://blog.dlib.net/2014/08/real-time-face-pose-estimation.html)生成的。
+从[此处](https://download.pytorch.org/tutorial/faces.zip)下载数据集，将图像存放于名为“ data / faces /”的目录中。 该数据集实际上是通过对来自标记为“面部”的 imagenet 上的一些图像应用出色的 [dlib 姿态估计](https://blog.dlib.net/2014/08/real-time-face-pose-estimation.html)生成的。
 
 数据集带有一个带注释的 csv 文件，如下所示：
 
@@ -70,15 +70,15 @@ print('First 4 Landmarks: {}'.format(landmarks[:4]))
 
 ```
 
-出：
+输出：
 
 ```
 Image name: person-7.jpg
 Landmarks shape: (68, 2)
-First 4 Landmarks: [[32\. 65.]
- [33\. 76.]
- [34\. 86.]
- [34\. 97.]]
+First 4 Landmarks: [[32. 65.]
+ [33. 76.]
+ [34. 86.]
+ [34. 97.]]
 
 ```
 
@@ -176,7 +176,7 @@ for i in range(len(face_dataset)):
 
 ![../_images/sphx_glr_data_loading_tutorial_002.png](img/80c0f612ddf710842d4cc31ee3c78da3.jpg)
 
-Out:
+输出:
 
 ```
 0 (324, 215, 3) (68, 2)
@@ -186,15 +186,15 @@ Out:
 
 ```
 
-## 变身
+## Transforms 变换
 
-从上面可以看到的一个问题是样本的大小不同。 大多数神经网络期望图像的大小固定。 因此，我们将需要编写一些前置代码。 让我们创建三个转换：
+从上面可以看到的一个问题是样本的大小不同。 大多数神经网络期望图像的大小固定。 因此，我们将需要编写一些预处理代码。 让我们创建三个转换：
 
 *   `Rescale`：缩放图像
-*   `RandomCrop`：从图像中随机裁剪。 这是数据扩充。
-*   `ToTensor`：将 numpy 图像转换为torch图像(我们需要交换轴）。
+*   `RandomCrop`：从图像中随机裁剪。 这是数据增强。
+*   `ToTensor`：将 numpy 图像转换为 torch 图像（我们需要交换轴）。
 
-我们会将它们编写为可调用的类，而不是简单的函数，这样就不必每次调用转换时都传递其参数。 为此，我们只需要实现`__call__`方法，如果需要，可以实现`__init__`方法。 然后我们可以使用这样的变换：
+我们会将它们编写为可调用的类，而不是简单的函数，这样就不必每次调用转换时都传递其参数。 为此，我们只需要实现`__call__`方法，如果需要，还可以实现`__init__`方法。 然后我们可以使用这样的变换：
 
 ```
 tsfm = Transform(params)
@@ -322,7 +322,7 @@ plt.show()
 
 *   从文件中即时读取图像
 *   转换应用于读取的图像
-*   由于其中一种转换是随机的，因此在采样时会增加数据
+*   由于其中一种转换是随机的，因此数据是在采样时进行增强
 
 我们可以像以前一样使用`for i in range`循环遍历创建的数据集。
 
@@ -345,7 +345,7 @@ for i in range(len(transformed_dataset)):
 
 ```
 
-Out:
+输出：
 
 ```
 0 torch.Size([3, 224, 224]) torch.Size([68, 2])
@@ -358,10 +358,10 @@ Out:
 但是，通过使用简单的`for`循环迭代数据，我们失去了很多功能。 特别是，我们错过了：
 
 *   批量处理数据
-*   整理数据
+*   打乱数据
 *   使用`multiprocessing`工作程序并行加载数据。
 
-`torch.utils.data.DataLoader`是提供所有这些功能的迭代器。 下面使用的参数应该清楚。 感兴趣的一个参数是`collate_fn`。 您可以使用`collate_fn`指定需要精确分批的样品。 但是，默认排序规则在大多数情况下都可以正常工作。
+`torch.utils.data.DataLoader`是提供所有这些功能的迭代器。 下面使用的参数应该清楚。 感兴趣的一个参数是`collate_fn`。 您可以使用`collate_fn`指定需要如何精确地分批样品。 但是，默认精度在大多数情况下都可以正常工作。
 
 ```
 dataloader = DataLoader(transformed_dataset, batch_size=4,
@@ -403,7 +403,7 @@ for i_batch, sample_batched in enumerate(dataloader):
 
 ![../_images/sphx_glr_data_loading_tutorial_004.png](img/f12c0231a67af28c3057e0ed3fa7f993.jpg)
 
-Out:
+输出：
 
 ```
 0 torch.Size([4, 3, 224, 224]) torch.Size([4, 68, 2])
@@ -451,7 +451,7 @@ dataset_loader = torch.utils.data.DataLoader(hymenoptera_dataset,
 
 ```
 
-有关训练代码的示例，请参见[计算机视觉转移学习教程](transfer_learning_tutorial.html)。
+有关训练代码的示例，请参见[计算机视觉转换学习教程](transfer_learning_tutorial.html)。
 
 **脚本的总运行时间：**(0 分钟 58.611 秒）