数据下载失败:网络连接与离线加载技巧

  很多新手遇到的第一个拦路虎就是数据下载问题。由于服务器位置或网络环境限制，直接使用download=True可能会失败或极其缓慢。

from torchvision import datasets

# 常见错误写法 - 可能因网络问题失败
mnist_train = datasets.MNIST(root='./data', train=True, download=True)

解决方案一：使用国内镜像源

import os
os.environ['TORCHVISION_DATA_URL'] = 'https://mirror.example.com/pytorch'  # 替换为实际可用镜像

解决方案二：手动下载并离线加载

  从官方或镜像站点下载以下文件：

• train-images-idx3-ubyte.gz
• train-labels-idx1-ubyte.gz
• t10k-images-idx3-ubyte.gz
• t10k-labels-idx1-ubyte.gz

  创建目录结构：

./data/MNIST/raw/

  将下载的文件放入raw目录，使用标准代码加载，设置download=False。

注意：确保文件未损坏，解压后的文件名必须保持原始命名。

Transform配置不当：图像预处理的关键细节

  新手常犯的错误是忽略transform或配置不当，导致模型无法正常训练。以下是一个典型错误示例：

# 错误示范：缺少ToTensor转换
transform = transforms.Compose([
    transforms.Resize(32),
    transforms.Normalize((0.1307,), (0.3081,))  # 直接对PIL图像归一化会报错
])

  正确的transform配置应包含三个关键步骤：

• 转换为张量：transforms.ToTensor()
• 调整尺寸（可选）：transforms.Resize()
• 归一化处理：transforms.Normalize()

  完整示例：

from torchvision import transforms

transform = transforms.Compose([
    transforms.Resize(32),
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))  # MNIST的均值和标准差
])

常见transform组合对比：

DataLoader参数配置误区：批处理与内存平衡

  不当的DataLoader配置会导致内存溢出或训练效率低下。以下是需要特别注意的参数：

from torch.utils.data import DataLoader