數(shù)據(jù)預(yù)處理在解決深度學(xué)習(xí)問(wèn)題的過(guò)程中，往往需要花費(fèi)大量的時(shí)間和精力。 數(shù)據(jù)處理的質(zhì)量對(duì)訓(xùn)練神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)十分重要，良好的數(shù)據(jù)處理不僅會(huì)加速模型訓(xùn)練， 更會(huì)提高模型性能。為解決這一問(wèn)題，PyTorch提供了幾個(gè)高效便捷的工具， 以便使用者進(jìn)行數(shù)據(jù)處理或增強(qiáng)等操作，同時(shí)可通過(guò)并行化加速數(shù)據(jù)加載。

數(shù)據(jù)集存放大致有以下兩種方式：

(1）所有數(shù)據(jù)集放在一個(gè)目錄下，文件名上附有標(biāo)簽名，數(shù)據(jù)集存放格式如下： root/cat_dog/cat.01.jpg

root/cat_dog/cat.02.jpg

........................

root/cat_dog/dog.01.jpg

root/cat_dog/dog.02.jpg

......................

(2）不同類(lèi)別的數(shù)據(jù)集放在不同目錄下，目錄名就是標(biāo)簽，數(shù)據(jù)集存放格式如下：

root/ants/xxx.png

root/ants/xxy.jpeg

root/ants/xxz.png

................

root/bees/123.jpg

root/bees/nsdf3.png

root/bees/asd932_.png

..................

1.1 對(duì)第1種數(shù)據(jù)集的處理步驟

（1）生成包含各文件名的列表(List)

（2）定義Dataset的一個(gè)子類(lèi)，該子類(lèi)需要繼承Dataset類(lèi)，查看Dataset類(lèi)的源碼

（3）重寫(xiě)父類(lèi)Dataset中的兩個(gè)魔法方法： 一個(gè)是: __lent__(self),其功能是len(Dataset),返回Dataset的樣本數(shù)。 另一個(gè)是__getitem__(self,index)，其功能假設(shè)索引為i，使Dataset[i]返回第i個(gè)樣本。

（4）使用torch.utils.data.DataLoader加載數(shù)據(jù)集Dataset.

1.2 實(shí)例詳解

以下以cat-dog數(shù)據(jù)集為例，說(shuō)明如何實(shí)現(xiàn)自定義數(shù)據(jù)集的加載。

1.2.1 數(shù)據(jù)集結(jié)構(gòu)

所有數(shù)據(jù)集在cat-dog目錄下：

.\cat_dog\cat.01.jpg

.\cat_dog\cat.02.jpg

.\cat_dog\cat.03.jpg

....................

.\cat_dog\dog.01.jpg

.\cat_dog\dog.02.jpg

....................

1.2.2 導(dǎo)入需要用到的模塊

from torch.utils.data import DataLoader,Dataset
from skimage import io,transform
import matplotlib.pyplot as plt
import oimport torch
from torchvision import transforms, utils
from PIL import Image
import pandas as pd
import numpy as np
#過(guò)濾警告信息
import warnings
warnings.filterwarnings("ignore")

1.2.3定義加載自定義數(shù)據(jù)的類(lèi)

class MyDataset(Dataset): #繼承Dataset
 def __init__(self, path_dir, transform=None): #初始化一些屬性
  self.path_dir = path_dir #文件路徑,如'.\data\cat-dog'
  self.transform = transform #對(duì)圖形進(jìn)行處理，如標(biāo)準(zhǔn)化、截取、轉(zhuǎn)換等
  self.images = os.listdir(self.path_dir)#把路徑下的所有文件放在一個(gè)列表中
 
 def __len__(self):#返回整個(gè)數(shù)據(jù)集的大小
  return len(self.images)
 
 def __getitem__(self,index):#根據(jù)索引index返回圖像及標(biāo)簽
  image_index = self.images[index]#根據(jù)索引獲取圖像文件名稱(chēng)
  img_path = os.path.join(self.path_dir, image_index)#獲取圖像的路徑或目錄
  img = Image.open(img_path).convert('RGB')# 讀取圖像
    
  # 根據(jù)目錄名稱(chēng)獲取圖像標(biāo)簽（cat或dog）
  label = img_path.split('\\')[-1].split('.')[0]
  #把字符轉(zhuǎn)換為數(shù)字cat-0，dog-1
  label = 1 if 'dog' in label else 0
  
  if self.transform is not None:
   img = self.transform(img)
  return img,label

1.2.4 實(shí)例化類(lèi)

dataset = MyDataset('.\data\cat-dog',transform=None)
img, label = dataset[0] #將啟動(dòng)魔法方法__getitem__(0)
print(type(img))
<class 'PIL.Image.Image'>

1.2.5 查看圖像形狀

i=1
for img, label in dataset:
    if i
img的形狀(500, 374),label的值0

img的形狀(300, 280),label的值0

img的形狀(489, 499),label的值0

img的形狀(431, 410),label的值0

img的形狀(300, 224),label的值0

從上面返回樣本的形狀來(lái)看：

（1）每張圖片的大小不一樣，如果需要取batch訓(xùn)練的神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)很不友好。

（2）返回樣本的數(shù)值較大，未歸一化至[-1, 1]

為此需要對(duì)img進(jìn)行轉(zhuǎn)換，如何轉(zhuǎn)換？只要使用torchvision中的transforms即可

1.2.6 對(duì)圖像數(shù)據(jù)進(jìn)行處理

這里使用torchvision中的transforms模塊

from torchvision import transforms as T
transform = T.Compose([
 T.Resize(224), # 縮放圖片(Image)，保持長(zhǎng)寬比不變，最短邊為224像素
 T.CenterCrop(224), # 從圖片中間切出224*224的圖片
 T.ToTensor(), # 將圖片(Image)轉(zhuǎn)成Tensor，歸一化至[0, 1]
 T.Normalize(mean=[.5, .5, .5], std=[.5, .5, .5]) # 標(biāo)準(zhǔn)化至[-1, 1]，規(guī)定均值和標(biāo)準(zhǔn)差
])

1.2.7查看處理后的數(shù)據(jù)

dataset = MyDataset('.\data\cat-dog',transform=transform)
for img, label in dataset: 
 print("圖像img的形狀{},標(biāo)簽label的值{}".format(img.shape, label))
 print("圖像數(shù)據(jù)預(yù)處理后：\n",img)
 break

圖像img的形狀torch.Size([3, 224, 224]),標(biāo)簽label的值0

圖像數(shù)據(jù)預(yù)處理后：

tensor([[[ 0.9059, 0.9137, 0.9137, ..., 0.9451, 0.9451, 0.9451],

[ 0.9059, 0.9137, 0.9137, ..., 0.9451, 0.9451, 0.9451],

[ 0.9059, 0.9137, 0.9137, ..., 0.9529, 0.9529, 0.9529],

...,

[-0.4824, -0.5294, -0.5373, ..., -0.9216, -0.9294, -0.9451],

[-0.4980, -0.5529, -0.5608, ..., -0.9294, -0.9373, -0.9529],

[-0.4980, -0.5529, -0.5686, ..., -0.9529, -0.9608, -0.9608]],

[[ 0.5686, 0.5765, 0.5765, ..., 0.7961, 0.7882, 0.7882],

[ 0.5686, 0.5765, 0.5765, ..., 0.7961, 0.7882, 0.7882],

[ 0.5686, 0.5765, 0.5765, ..., 0.8039, 0.7961, 0.7961],

...,

[-0.6078, -0.6471, -0.6549, ..., -0.9137, -0.9216, -0.9373],

[-0.6157, -0.6706, -0.6784, ..., -0.9216, -0.9294, -0.9451],

[-0.6157, -0.6706, -0.6863, ..., -0.9451, -0.9529, -0.9529]],

[[-0.0510, -0.0431, -0.0431, ..., 0.2078, 0.2157, 0.2157],

[-0.0510, -0.0431, -0.0431, ..., 0.2078, 0.2157, 0.2157],

[-0.0510, -0.0431, -0.0431, ..., 0.2157, 0.2235, 0.2235],

...,

[-0.9529, -0.9843, -0.9922, ..., -0.9529, -0.9608, -0.9765],

[-0.9686, -0.9922, -1.0000, ..., -0.9608, -0.9686, -0.9843],

[-0.9686, -0.9922, -1.0000, ..., -0.9843, -0.9922, -0.9922]]])

由此可知，數(shù)據(jù)已標(biāo)準(zhǔn)化、規(guī)范化。

1.2.8對(duì)數(shù)據(jù)集進(jìn)行批量加載

使用DataLoader模塊，對(duì)數(shù)據(jù)集dataset進(jìn)行批量加載

#使用DataLoader加載數(shù)據(jù)
dataloader = DataLoader(dataset,batch_size=4,shuffle=True)
for batch_datas, batch_labels in dataloader:
 print(batch_datas.size(),batch_labels.size())
torch.Size([4, 3, 224, 224]) torch.Size([4])
torch.Size([4, 3, 224, 224]) torch.Size([4])
torch.Size([4, 3, 224, 224]) torch.Size([4])
torch.Size([4, 3, 224, 224]) torch.Size([4])
torch.Size([4, 3, 224, 224]) torch.Size([4])
torch.Size([4, 3, 224, 224]) torch.Size([4])
torch.Size([4, 3, 224, 224]) torch.Size([4])
torch.Size([4, 3, 224, 224]) torch.Size([4])
torch.Size([4, 3, 224, 224]) torch.Size([4])
torch.Size([4, 3, 224, 224]) torch.Size([4])
torch.Size([2, 3, 224, 224]) torch.Size([2])

1.2.9隨機(jī)查看一個(gè)批次的圖像

import torchvision
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
# 顯示圖像
def imshow(img):
 img = img / 2 + 0.5  # unnormalize
 npimg = img.numpy()
 plt.imshow(np.transpose(npimg, (1, 2, 0)))
 plt.show()
# 隨機(jī)獲取部分訓(xùn)練數(shù)據(jù)
dataiter = iter(dataloader)
images, labels = dataiter.next()
# 顯示圖像
imshow(torchvision.utils.make_grid(images))
# 打印標(biāo)簽
print(' '.join('%s' % ["小狗" if labels[j].item()==1 else "小貓" for j in range(4)]))

2 對(duì)第2種數(shù)據(jù)集的處理

處理這種情況比較簡(jiǎn)單，可分為2步：

（1）使用datasets.ImageFolder讀取、處理圖像。

（2）使用.data.DataLoader批量加載數(shù)據(jù)集，示例如下:

import torch
from torchvision import transforms, datasets
data_transform = transforms.Compose([
  transforms.RandomSizedCrop(224),
  transforms.RandomHorizontalFlip(),
  transforms.ToTensor(),
  transforms.Normalize(mean=[0.485, 0.456, 0.406],
        std=[0.229, 0.224, 0.225])
 ])
hymenoptera_dataset = datasets.ImageFolder(root='.\catdog\train',
           transform=data_transform)
dataset_loader = torch.utils.data.DataLoader(hymenoptera_dataset, 

總結(jié)

到此這篇關(guān)于PyTorch加載自己的數(shù)據(jù)集實(shí)例詳解的文章就介紹到這了,更多相關(guān)PyTorch加載 數(shù)據(jù)集內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論