如何自己创建一个像tf.keras.datasets.cifar10.load_data()那样的图像数据集？

1.准备数据集

首先需要准备一些图像数据，可以是一些jpg、png格式的图片。将这些图片分为train集和test集。

2.导入库

需要导入以下库：

import numpy as np
import matplotlib.pyplot as plt
import cv2

3.加载数据

定义一个函数来加载数据：

def load_data(path, train=True):
    images = []
    labels = []
    for label in os.listdir(path):
        for img_file in os.listdir(os.path.join(path,label)):
            img = cv2.imread(os.path.join(path,label,img_file))
            img = cv2.cvtColor(np.array(img), cv2.COLOR_RGB2BGR)
            img = cv2.resize(img,(32,32))
            images.append(img)
            labels.append(label)
    if train:
        return np.array(images),np.array(labels)
    else:
        return np.array(images)

该函数接收路径和一个布尔值train作为参数，如果是train=True，则加载train集数据并返回图像和标签的numpy数组，否则返回test集的图像数组。

4.数据预处理

在将数据集加载到内存中后，还需要对数据进行预处理操作。将图像像素值除以255，并将标签转化为数字形式。

x_train, y_train = load_data('path/to/train/folder')
x_train = x_train.astype('float32') / 255
y_train = np.array(y_train)

x_test = load_data('path/to/test/folder',train=False)
x_test = x_test.astype('float32') / 255

5.创建自己的数据集类

在使用时，可以像调用cifar10数据集一样创建自己的数据集。

class MyDataset(tf.data.Dataset):

    def _generator(num_samples):
        # 1. Load x number of images and labels
        img_path, label = load_data('path/to/your/folder')
        img_path = img_path.astype('float32') / 255
        label = np.array