PyTorch数据集处理

Posted 2023-01-01

数据样本处理的代码可能会变得杂乱且难以维护，因此理想状态下我们应该将模型训练的代码和数据集代码分开封装，以获得更好的代码可读性和模块化代码。

PyTorch 提供了两个基本方法 ​​torch.utils.data.DataLoader​​和​​torch.utils.data.Dataset​​可以让你预加载数据集或者你的数据。

​​Dataset​​存储样本及其相关的标签， ​​DataLoader​​封装了关于 ​​Dataset​​的迭代器，让我们可以方便地读取样本。

PyTorch库中也提供了一些常用的数据集可以方便用户做预加载可以通过​​torch.utils.data.Dataset​​调用，还提供了一些对应数据集的方法。它们可以用于模型的原型和基准测试。

详细可以戳这里：

• ​​Image Datasets​​,
• ​​Text Datasets​​,
• ​​Audio Datasets​​。

---

加载数据集

接下来我们看一下怎么从TorchVision加载​​Fashion-MNIST​​数据集。

Fashion-MNIST是Zalando的一个数据集，包含6万个训练样例和1万个测试样例。

每个样例由两部分组成，一个28×28灰度图像和一个十分类标签中的某一个标签。

我们要加载 ​​FashionMNIST Dataset​​需要用到以下几个参数:

• ​​root​​ 数据集的存储地址
• ​​train​​ 指定你要取训练集还是测试集
• ​​download=True​​ 如果你指定的 ​​root​​中没有数据集，会自动从网上下载数据集
• ​​transform​​ 、 ​​target_transform​​ 指定特征和标签转换

下边这段代码是取FashionMNIST的训练集和测试集，root设置了一个data文件，运行下边这段代码以后你可以看到当前目录下边应该多了一个data文件夹，里边就是FashionMNIST数据集文件了。

import torch
from torch.utils.data import Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plt


training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)
复制代码

迭代和可视化数据集

我们可以像列表索引一样查看​​Datasets​​。 可以使用​​matplotlib​​可视化我们的数据集。

其他代码解析看注释。

至于画子图有两个方法，二者的区别仅在于一个面向方法，一个面向对象，别的完全一样。

1. subplot

figure = plt.figure()
 cols, rows = 3, 3
 for i in range(1, cols * rows + 1):
     plt.subplot(rows, cols, i)

 plt.show()
复制代码

1. add_subplot

figure = plt.figure()
cols, rows = 3, 3
for i in range(1, cols * rows + 1):
    figure.subplot(rows, cols, i)

plt.show()
复制代码

labels_map = 
    0: "T-Shirt",
    1: "Trouser",
    2: "Pullover",
    3: "Dress",
    4: "Coat",
    5: "Sandal",
    6: "Shirt",
    7: "Sneaker",
    8: "Bag",
    9: "Ankle Boot",

figure = plt.figure(figsize=(8, 8))
cols, rows = 3, 3
for i in range(1, cols * rows + 1):
    sample_idx = torch.randint(len(training_data), size=(1,)).item()   # 从数据集中随机采样
    img, label = training_data[sample_idx]      # 取得数据集的图和标签
    figure.add_subplot(rows, cols, i)           # 画子图，也可以plt.subplot(rows, cols, i)
    plt.title(labels_map[label])            
    plt.axis("off")
    plt.imshow(img.squeeze(), cmap="gray")      # 是黑白图，这里做一个维度压缩，把1通道的1压缩掉
plt.show()
复制代码

最后随机采样的结果大概是这样的：

---

使用DataLoader

​​Dataset​​可以检索我们数据集中一个样本的特征和标签。但是在训练模型的时候，我们通常希望数据以小批量（minibatch）的方式作为输入，在每个epoch中重新调整数据以防止过拟合，并且还能使用Python的​​multiprocessing​​加速数据检索。

​​DataLoader​​是一个迭代器，将刚才提到的复杂方法抽象成简单的API。

from torch.utils.data import DataLoader

train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)
复制代码

通过DataLoader迭代获取数据

我们已经将数据集加载到​​DataLoader​​中，并可以根据需要迭代数据集。

下面的每次迭代返回一个批量数据的​​train_features​​和​​train_labels​​（分别包含​​batch_size=64​​个特征和标签)。

因为我们指定了​​shuffle=True​​，在遍历所有批量之后，数据会被打乱(要对数据加载顺序进行更细粒度的控制，戳这里​​pytorch.org/docs/stable…​​ 。

# Display image and label.
train_features, train_labels = next(iter(train_dataloader))
print(f"Feature batch shape: train_features.size()")
print(f"Labels batch shape: train_labels.size()")
img = train_features[0].squeeze()
label = train_labels[0]
plt.imshow(img, cmap="gray")
plt.show()
print(f"Label: label")
复制代码

---

为你的数据创建自定义数据集

自定义Dataset类必须实现三个函数:​​__init__​​， ​​__len__​​和​​__getitem__​​。看看这个FashionMNIST图像存储在img_dir目录中，它们的标签单独存储在CSV文件annotations_file中。 在下一节我们详细分析一下每个函数中发生的事情。

import os
import pandas as pd
from torchvision.io import read_image

class CustomImageDataset(Dataset):
    def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
        self.img_labels = pd.read_csv(annotations_file)
        self.img_dir = img_dir
        self.transform = transform
        self.target_transform = target_transform

    def __len__(self):
        return len(self.img_labels)

    def __getitem__(self, idx):
        img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
        image = read_image(img_path)
        label = self.img_labels.iloc[idx, 1]
        if self.transform:
            image = self.transform(image)
        if self.target_transform:
            label = self.target_transform(label)
        return image, label
复制代码

init

​​__init__​​函数在实例化Dataset对象时运行一次，帮我们初始化一个目录，其中包含图像、注释文件和两个变换(下一节将详细介绍)。

The labels.csv file looks like:

tshirt1.jpg, 0

tshirt2.jpg, 0

......

ankleboot999.jpg, 9

def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
    self.img_labels = pd.read_csv(annotations_file)
    self.img_dir = img_dir
    self.transform = transform
    self.target_transform = target_transform
复制代码

len

​​__len__​​方法返回我们数据集中的样本数量。

def __len__(self):
    return len(self.img_labels)
复制代码

getitem

​​__getitem__​​函数当你给定一个索引​​idx​​的时候，用于加载并返回样本。

基于索引，该函数去寻找图像在磁盘上的位置，使用​​read_image​​ 将其转换为一个张量，从​​self​​中的csv数据中检索相应的标签​​img_labels​​，调用它们上的变换函数(如果适用)，并返回一个元组，元组中是图像的张量和对应的标签。

def __getitem__(self, idx):
    img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
    image = read_image(img_path)
    label = self.img_labels.iloc[idx, 1]
    if self.transform:
        image = self.transform(image)
    if self.target_transform:
        label = self.target_transform(label)
    return image, label