参数

• name — 数据集名称，对于基于文件夹的数据集可以为空
• root — 数据集的根目录（所有类型）
• split — 数据集划分（所有类型）
• search_split — 从根目录搜索特定划分的子文件夹，这样就可以在命令行/配置中指定 `imagenet/` 而不是 `/imagenet/val` 等。（Folder、Torch 类型）
• class_map — 通过文本文件或字典指定 类别 -> 索引 的映射。（Folder 类型）
• load_bytes — 加载数据，以未解码的字节形式返回图像。（Folder 类型）
• download — 如果数据集不存在且受支持，则下载数据集。（HFIDS、TFDS、Torch 类型）
• is_training — 在训练模式下创建数据集，这与 `split` 不同。对于可迭代数据集/TFDS，它会启用数据打乱；对于其他数据集，则忽略此参数。（TFDS、WDS、HFIDS 类型）
• batch_size — 可迭代数据集的批次大小提示。（TFDS、WDS、HFIDS 类型）
• seed — 可迭代数据集的随机种子。（TFDS、WDS、HFIDS 类型）
• repeats — 每次迭代（即 epoch）中数据集的重复次数。（TFDS、WDS、HFIDS 类型）
• input_img_mode — 输入图像的颜色转换模式，例如 ‘RGB’、‘L’。（folder、TFDS、WDS、HFDS、HFIDS 类型）
• trust_remote_code — 如果为 True，则信任 Hugging Face Datasets 中的远程代码。（HFDS、HFIDS 类型）
• **kwargs — 其他传递给底层 Dataset 和/或 Reader 类的参数

参数

• dataset — 要加载的图像数据集。
• input_size — 目标输入尺寸，可以是（通道数, 高, 宽）元组或单个尺寸值。
• batch_size — 一个批次中的样本数量。
• is_training — 返回训练（随机）变换。
• no_aug — 禁用训练时的数据增强（用于调试）。
• re_prob — 随机擦除的概率。
• re_mode — 随机擦除的填充模式。
• re_count — 随机擦除的区域数量。
• re_split — 控制随机擦除在批次大小上的划分。
• scale — 随机调整大小的缩放范围（裁剪区域，< 1.0 表示放大）。
• ratio — 随机宽高比范围（RRC 的裁剪比例，RKR 的比例调整因子）。
• hflip — 水平翻转的概率。
• vflip — 垂直翻转的概率。
• color_jitter — 随机颜色抖动的分量因子（亮度、对比度、饱和度、色调）。单个标量值将被应用于 (标量,) * 3（不含色调）。
• color_jitter_prob — 如果不为 None，则以此概率应用颜色抖动（用于类似 SimCLR 的增强）
• grayscale_prob — 将图像转换为灰度的概率（用于类似 SimCLR 的增强）。
• gaussian_blur_prob — 应用高斯模糊的概率（用于类似 SimCLR 的增强）。
• auto_augment — 自动增强配置字符串（参见 auto_augment.py）。
• num_aug_repeats — 启用特殊的采样器，以便在分布式 GPU 之间重复相同的增强。
• num_aug_splits — 启用可以将增强操作在批次中进行划分的模式。
• interpolation — 图像插值模式。
• mean — 图像归一化均值。
• std — 图像归一化标准差。
• num_workers — 每个 DataLoader 的工作进程数量。
• distributed — 为分布式训练启用数据加载。
• crop_pct — 推理时的裁剪百分比（输出尺寸 / 调整后尺寸）。
• crop_mode — 推理时的裁剪模式。可选值为 [‘squash’, ‘border’, ‘center’] 之一。当为 None 时，默认为 ‘center’。
• crop_border_pixels — 推理时在原始图像边缘周围裁剪指定像素数的边界。
• collate_fn — 覆盖默认的 collate_fn。
• pin_memory — 为设备传输锁定内存。
• fp16 — 已弃用的参数，用于半精度输入数据类型。请使用 img_dtype。
• img_dtype — 输入图像的数据类型。
• device — 输入和目标要传输到的设备。
• use_prefetcher — 使用高效的预取器将样本加载到设备上。
• use_multi_epochs_loader —
• persistent_workers — 启用持久的工作进程。
• worker_seeding — 控制工作进程在初始化时的随机种子。
• tf_preprocessing — 使用 TF 1.0 的推理预处理，用于测试模型移植。

参数

• input_size — 目标输入尺寸（通道、高度、宽度）元组或尺寸标量。
• is_training — 返回训练（随机）变换。
• no_aug — 禁用训练时的数据增强（便于调试）。
• train_crop_mode — 训练时随机裁剪模式（“rrc”、“rkrc”、“rkrr”）。
• scale — 随机调整大小的缩放范围（裁剪区域，< 1.0 表示放大）。
• ratio — 随机宽高比范围（RRC 的裁剪比例，RKR 的比例调整因子）。
• hflip — 水平翻转的概率。
• vflip — 垂直翻转的概率。
• color_jitter — 随机颜色抖动分量因子（亮度、对比度、饱和度、色相）。标量将作为 (scalar,) * 3 应用（无色相）。
• color_jitter_prob — 如果不为 None，则以此概率应用颜色抖动（用于类似 SimCLR 的增强）。
• grayscale_prob — 将图像转换为灰度的概率（用于类似 SimCLR 的增强）。
• gaussian_blur_prob — 应用高斯模糊的概率（用于类似 SimCLR 的增强）。
• auto_augment — AutoAugment 配置字符串（见 auto_augment.py）。
• interpolation — 图像插值模式。
• mean — 图像归一化均值。
• std — 图像归一化标准差。
• re_prob — 随机擦除的概率。
• re_mode — 随机擦除的填充模式。
• re_count — 随机擦除的区域数量。
• re_num_splits — 控制随机擦除在批次大小上的分割。
• crop_pct — 推理时裁剪百分比（输出尺寸 / 调整后尺寸）。
• crop_mode — 推理时裁剪模式。可选值为 [‘squash’, ‘border’, ‘center’]。若为 None，则默认为 ‘center’。
• crop_border_pixels — 推理时在原始图像边缘周围裁剪指定像素数的边界。
• tf_preprocessing — 使用 TF 1.0 推理预处理来测试模型移植
• use_prefetcher — 启用预取器。不将图像转换为张量或进行归一化。
• normalize — 使用提供的均值/标准差进行归一化张量输出（如果未使用预取器）。
• separate — 以三阶段元组形式输出变换。