MNISTSuperPixelDataset

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

基类：SuperPixelDataset

用于图分类任务的 MNIST 超像素数据集。

benchmark-gnn 中的 DGL MNIST 和 CIFAR10 数据集，其中包含从原始 MNIST 和 CIFAR10 图像转换而来的图。

参考 http://arxiv.org/abs/2003.00982

统计信息

  • 训练样本：60,000

  • 测试样本：10,000

  • 数据集图像尺寸：28

参数:

  • raw_dir (str) – 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: 邻接矩阵由超像素位置 + 特征定义

    • False: 邻接矩阵仅由超像素位置定义

    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 (可调用对象, 可选) – 一个转换函数，接收 DGLGraph 对象并返回转换后的版本。该 DGLGraph 对象在每次访问前都会被转换。

示例

>>> from dgl.data import MNISTSuperPixelDataset

>>> # MNIST dataset
>>> train_dataset = MNISTSuperPixelDataset(split="train")
>>> len(train_dataset)
60000
>>> graph, label = train_dataset[0]
>>> graph
Graph(num_nodes=71, num_edges=568,
    ndata_schemes={'feat': Scheme(shape=(3,), 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=71, num_edges=568,
    ndata_schemes={'feat': Scheme(shape=(3,), dtype=torch.float32)}
    edata_schemes={'feat': Scheme(shape=(1,), dtype=torch.float32)})
__getitem__(idx)

获取第 idx 个样本。

参数:

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

返回:

__len__()

数据集中的样本数量。