CIFAR10SuperPixelDataset

class dgl.data.CIFAR10SuperPixelDataset(raw_dir=None, split='train', use_feature=False, force_reload=False, verbose=False, transform=None)[source]

基础类：SuperPixelDataset

CIFAR10超像素数据集用于图分类任务。

基准GNN中的CIFAR10的DGL数据集，包含从原始CIFAR10图像转换而来的图。

参考 http://arxiv.org/abs/2003.00982

统计：

  • 训练样本：50,000

  • 测试示例：10,000

  • 数据集图像的大小：32

Parameters:

  • raw_dir (str) – 用于存储所有下载的原始数据集的目录。 默认值：“~/.dgl/”。

  • split (str) – 应从[“train”, “test”]中选择 默认值: “train”.

  • use_feature (bool) –

    • True: 从超像素位置 + 特征定义的邻接矩阵

    • False: 仅从超像素位置定义的邻接矩阵

    默认值: False.

  • force_reload (bool) – 是否重新加载数据集。 默认值：False。

  • verbose (bool) – 是否打印进度信息。 默认值：False。

  • transform (callable, optional) – A transform that takes in a DGLGraph object and returns a transformed version. The DGLGraph object will be transformed before every access.

示例

>>> from dgl.data import CIFAR10SuperPixelDataset

>>> # CIFAR10 dataset
>>> train_dataset = CIFAR10SuperPixelDataset(split="train")
>>> len(train_dataset)
50000
>>> graph, label = train_dataset[0]
>>> graph
Graph(num_nodes=123, num_edges=984,
    ndata_schemes={'feat': Scheme(shape=(5,), dtype=torch.float32)}
    edata_schemes={'feat': Scheme(shape=(1,), dtype=torch.float32)}),

>>> # support tensor to be index when transform is None
>>> # see details in __getitem__ function
>>> import torch
>>> idx = torch.tensor([0, 1, 2])
>>> train_dataset_subset = train_dataset[idx]
>>> train_dataset_subset[0]
Graph(num_nodes=123, num_edges=984,
    ndata_schemes={'feat': Scheme(shape=(5,), dtype=torch.float32)}
    edata_schemes={'feat': Scheme(shape=(1,), dtype=torch.float32)}),
__getitem__(idx)

获取第 idx 个样本。

Parameters:

idx (int 或 tensor) – 样本索引。 当 transform 为 None 时，允许使用 1-D 张量作为 idx。

Returns:

__len__()

数据集中的示例数量。