Hugging Face Transformers：自定义图像数据集训练指南

HuggingFace (transformers) 是一个广泛使用的自然语言处理库，它提供了许多预训练的模型和工具，用于快速构建和训练深度学习模型。其中，DeiT 模型是一种基于 Transformer 架构的图像变换器模型，专为视觉任务设计，包括图像分类、目标检测和分割等。而 Trainer 是 HuggingFace 提供的用于训练模型的工具之一，它可以自动化许多训练步骤，包括数据加载、模型定义、训练和评估等。
在这个教程中，我们将介绍如何使用 HuggingFace (transformers) 库中的 DeiT 模型和 Trainer 进行自定义图像数据集的训练回归任务。

1. 准备数据
   首先，我们需要准备一个图像数据集。为了使用 HuggingFace (transformers) 库来训练 DeiT 模型，我们需要将图像数据集转换为特定的格式。HuggingFace 提供了许多预处理工具，可以帮助我们将图像数据集转换为所需的格式。在这里，我们使用 datasets 模块中的 Dataset 类来创建一个自定义的图像数据集。

   import datasets
   from PIL import Image
   import requests
   from io import BytesIO
   import pandas as pd
   import os
   # 下载并加载自定义图像数据集
   def load_custom_dataset(data_folder):
   images = []
   labels = []
   for filename in os.listdir(data_folder):
   if filename.endswith('.jpg'):
   image_path = os.path.join(data_folder, filename)
   with open(image_path, 'rb') as f:
   img = Image.open(f).convert('RGB')
   img = img.resize((224, 224))
   img = img.rotate(0)
   images.append(img)
   labels.append(int(filename.split('.')[0]))
   return images, labels
   # 定义自定义图像数据集类
   class CustomImageDataset(datasets.ImageFolder):
   def __init__(self, data_folder, split='train'):
   self.data_folder = data_folder
   self.split = split
   self.images, self.labels = load_custom_dataset(data_folder)
   self.num_classes = len(set(self.labels))
   def __len__(self):
   return len(self.images)
   def __getitem__(self, idx):
   return self.images[idx], self.labels[idx]

   使用上述代码中的 CustomImageDataset 类和数据集所在文件夹路径，我们可以创建一个自定义的图像数据集实例。接下来，我们定义一个训练集和验证集的组合器类，用于在训练和验证时调用数据集的不同部分。在这里，我们使用 train 和 val 作为文件夹名来存储训练集和验证集的图像数据。
2. 定义模型和优化器
   接下来