class MNISTDataset(Dataset): def __init__(self, data_typ

为了在MNIST数据集上实现数据增强，我们可以使用PyTorch中的`torchvision.transforms`模块。在这个例子中，我们将定义一个转换链（`transforms.Compose`），包括一些常用的数据增强技术，比如随机旋转（`RandomRotation`）、随机平移（`RandomAffine`）、随机缩放（`RandomResizedCrop`）等。然而，由于MNIST数据集是黑白图像，一些颜色空间的数据增强方法不适用。以下是如何在`MNISTDataset`类中实现数据增强的示例： ```python import torch from torch.utils.data import Dataset, DataLoader import pandas as pd from sklearn.model_selection import train_test_split import torchvision.transforms as transforms from PIL import Image # 假设MNISTDataset类定义如上 # 定义数据增强的转换链 data_transforms = transforms.Compose([ transforms.RandomRotation(10), # 随机旋转+-10度 transforms.RandomAffine(0, shear=10, scale=(0.8,1.2)), # 随机剪切和缩放 transforms.RandomResizedCrop(28), # 随机缩放裁剪到28x28 transforms.ToTensor(), # 转换为torch.Tensor transforms.Normalize((0.5,), (0.5,)) # 归一化 ]) class EnhancedMNISTDataset(MNISTDataset): def __init__(self, data_type, data=None, labels=None): super().__init__(data_type, data, labels) if self.data_type in ['train', 'val']: self.transform = data_transforms else: self.transform = None def __getitem__(self, index): image = Image.fromarray(self.image[index].astype('uint8'), mode='L') if self.transform is not None: image = self.transform(image) if self.data_type in ['train', 'val']: label = torch.zeros(10, dtype=torch.float) label[int(self.label[index])] = 1.0 return image, label else: return image # 读取训练集数据 df_train = pd.read_csv("./data/train.csv") # 切分特征和标签 train_labels = df_train['label'].to_numpy() train_data = df_train.drop(columns='label').to_numpy() # 归一化数据 train_data = train_data.reshape(-1, 28, 28) / 255.0 # 使用train_test_split拆分为train和val X_train, X_val, y_train, y_val = train_test_split(train_data, train_labels, test_size=0.2, random_state=42) # 创建训练集和验证集的Dataset train_dataset = EnhancedMNISTDataset("train", X_train, y_train) val_dataset = EnhancedMNISTDataset("val", X_val, y_val) # 创建DataLoader train_dataloader = DataLoader(train_dataset, batch_size=100, shuffle=True) val_dataloader = DataLoader(val_dataset, batch_size=100, shuffle=False) # 测试集 df_test = pd.read_csv("./data/test.csv").to_numpy().reshape(-1, 28, 28) / 255.0 test_dataset = EnhancedMNISTDataset("test", df_test) test_dataloader = DataLoader(test_dataset, batch_size=100, shuffle=False) ``` 请注意，由于MNIST数据集是灰度图像，我们在使用`Image.fromarray`时指定了模式为'L'，代表灰度图像。数据增强操作将在`__getitem__`方法中应用，这意味着每次获取一个样本时都会应用随机数据增强，从而增加了训练的泛化能力。