PyTorch中如何获取CIFAR100的粗标签与细标签？默认target对应哪种标签？

一、默认target的类型 #

PyTorch官方的torchvision.datasets.CIFAR100默认返回的target是细标签（fine label），对应数据集里的100个具体子类。

二、同时获取细标签和粗标签的方法 #

CIFAR100数据集实例本身内置了两个核心属性：

• fine_labels：存储所有样本的细标签列表
• coarse_labels：存储所有样本的粗标签列表（对应20个超类，每个超类包含5个细类）

方法1：直接访问数据集属性 #

无需修改数据集结构，直接通过索引获取对应标签：

import torchvision.datasets as datasets

# 加载训练集
train_data = datasets.CIFAR100(root="./data", train=True, download=True)
# 加载测试集
test_data = datasets.CIFAR100(root="./data", train=False, download=True)

# 获取第0个样本的标签
sample_idx = 0
fine_label = train_data.fine_labels[sample_idx]
coarse_label = train_data.coarse_labels[sample_idx]
print(f"细标签ID: {fine_label}, 粗标签ID: {coarse_label}")

方法2：自定义数据集包装类 #

如果需要在DataLoader迭代时直接拿到细、粗标签，可以自定义子类重写__getitem__方法：

import torchvision.datasets as datasets
from torch.utils.data import DataLoader

class CIFAR100WithCoarse(datasets.CIFAR100):
    def __getitem__(self, index):
        img, fine_label = super().__getitem__(index)
        coarse_label = self.coarse_labels[index]
        return img, fine_label, coarse_label

# 初始化自定义数据集
train_dataset = CIFAR100WithCoarse(root="./data", train=True, download=True)
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)

# 迭代获取批量数据
for imgs, fine_labels, coarse_labels in train_loader:
    print(f"批量细标签示例: {fine_labels[:3]}")
    print(f"批量粗标签示例: {coarse_labels[:3]}")
    break

内容的提问来源于stack exchange，提问作者JobHunter69