数据通常不会直接是机器学习算法可以使用的“最终格式”。我们使用转换（transforms）来对数据进行处理，使其适合训练。
所有的 TorchVision 数据集都提供了两个参数：transform 用于修改特征，target_transform 用于修改标签，它们都接收包含转换逻辑的可调用对象（函数或类）。
torchvision.transforms 模块提供了几种常用的转换，开箱即用。
数据通常不会直接是机器学习算法可以使用的“最终格式”。我们使用**转换（transforms）**来对数据进行处理，使其适合训练。
FashionMNIST 的特征是 PIL 图像格式，标签是整数。为了训练，我们需要把特征转换成归一化的张量，标签转换成one-hot 编码的张量。为了实现这些转换，我们使用 ToTensor 和 Lambda。
数据转换（Transforms） 是用来对原始数据进行处理的步骤，常见的处理包括：
-
转换图像格式
-
缩放、裁剪、归一化等
-
转换标签格式
transform 和 target_transform：
-
transform是对图像（或特征）做的预处理（如转张量、归一化）。 -
target_transform是对标签做的预处理（如 one-hot 编码）。
常用转换：
torchvision.transforms 模块提供了很多常用的转换操作，比如：
-
ToTensor()：把图像转换为张量。 -
Normalize()：归一化操作。 -
Resize()：调整图片尺寸。 -
RandomCrop()：随机裁剪图片。 -
FashionMNIST：
-
图片格式是 PIL Image，我们需要把它转成 Tensor。
-
标签是整数形式，我们通常需要把它们转换成 one-hot 编码，这样模型可以更好地进行分类。
-
import torch
from torchvision import datasets # 导入数据集模块
from torchvision.transforms import ToTensor, Lambda # 导入 ToTensor 转换和自定义 Lambda 转换# 加载 FashionMNIST 数据集
ds = datasets.FashionMNIST(root="data", # 数据集保存的根目录，数据将下载到这个目录下train=True, # 加载训练集（如果为 False，则加载测试集）download=True, # 如果本地没有数据集，设置为 True 会自动从网络下载transform=ToTensor(), # 对图片进行转换：将PIL图像转换成Tensor格式，且像素值归一化到[0, 1]target_transform=Lambda(lambda y: torch.zeros(10, dtype=torch.float).scatter_(0, torch.tensor(y), value=1)) # 将标签转换成one-hot编码格式
)
-
加载 FashionMNIST 数据集的训练集。
-
把每张图像转换为张量，并归一化到
[0, 1]范围。 -
把每个标签转换为 one-hot 编码格式。
-
Lambda：定义了一个自定义的转换逻辑，在这里将标签转换为 one-hot 编码。 -
one-hot 编码：假设标签是数字
3，它会变成一个长度为 10 的张量，只有索引 3 的位置为 1，其他位置为 0，比如：[0, 0, 0, 1, 0, 0, 0, 0, 0, 0]。
ToTensor()
ToTensor() 将 PIL 图像或 NumPy ndarray 转换成一个 FloatTensor，并将图像的像素值缩放到 [0., 1.] 范围。
-
PIL 图像：就是 Python 图像库（Pillow）里的图片格式（比如
.jpg、.png格式的图片）。 -
NumPy ndarray：NumPy 中的多维数组，一般用于存储数字数据。
-
FloatTensor：PyTorch 中的数据结构，表示一个浮点型的张量，适合进行数学计算。
-
缩放到 [0, 1]：图像像素值通常在 [0, 255] 范围内，
ToTensor()会自动把它们缩放到 [0, 1]，这有助于模型训练，因为大部分模型训练时需要输入值在 0 到 1 的范围
Lambda 转换
Lambda 转换应用任何用户自定义的 lambda 函数。在这里，我们定义了一个函数，将整数标签转换成 one-hot 编码的张量。首先它创建了一个大小为 10 的零张量（我们的数据集中有 10 个标签），然后调用 scatter_ 方法，将标签 y 所在的索引位置赋值为 1。
target_transform = Lambda(lambda y: torch.zeros(10, dtype=torch.float).scatter_(dim=0, index=torch.tensor(y), value=1))
