Loading and normalizing datasets 加载和规范化数据集
文章目录
- Loading and normalizing datasets 加载和规范化数据集
- Datasets & DataLoaders 数据集和数据加载器
- Loading a Dataset 加载数据集
- Iterating and Visualizing the Dataset 迭代和可视化数据集
- Creating a Custom Dataset for your files 为您的文件创建自定义数据集
- \__init__
- \__len__
- \__getitem__
- Preparing your data for training with DataLoaders 使用 DataLoaders 准备数据以进行训练
- Iterate through the DataLoader 遍历 DataLoader
- Normalization 正则化
- Transforms 转换
- ToTensor()
- Lambda transforms
- 知识检查
- Further Reading 进一步阅读
- References 参考文献
- Github
Datasets & DataLoaders 数据集和数据加载器
用于处理数据样本的代码可能会变得混乱且难以维护;理想情况下,我们希望数据集代码与模型训练代码分离,以获得更好的可读性和模块化性。PyTorch 提供了两个数据原语:torch.utils.data.DataLoader
和torch.utils.data.Dataset
,允许您使用预加载的数据集以及您自己的数据。 Dataset
存储样本及其相应的标签,并DataLoader
围绕 Dataset
进行迭代,以方便访问样本。
PyTorch 域库提供了许多预加载的数据集(例如 FashionMNIST)。这些数据集是torch.utils.data.Dataset
的子类。并且,对于特定数据,实现特定的函数。它们可用于对您的模型进行原型设计和基准测试。您可以在这里找到它们:图像数据集、 文本数据集和 音频数据集
Loading a Dataset 加载数据集
以下是如何从 TorchVision 加载Fashion-MNIST数据集的示例。Fashion-MNIST 是 Zalando 论文的图像数据集。这个数据集由 60,000 个训练样本和 10,000 个测试样本组成。每个样本包含一个 28×28 灰度图像和来自 10 个类别之一的关联标签。
- 每张图像的高度为 28 像素,宽度为 28 像素,总共 784 像素。
- 这 10 个类别表示图像的类型,例如:T 恤/上衣、裤子、套头衫、连衣裙、包、踝靴等.
- 灰度像素的值介于 0 到 255 之间,用于测量黑白图像的强度。强度值从白色增加到黑色。例如:白色为 0,黑色为 255。
我们使用以下参数,来加载FashionMNIST Dataset:
-
root
是存储训练/测试数据的路径, -
train
指定训练或测试数据集, -
download=True
如果root
上没有数据,则从 Internet 下载数据。 -
transform
和target_transform
指定特征和标签的转换。
%matplotlib inline
import torch
from torch.utils.data import Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda
import matplotlib.pyplot as plttraining_data = datasets.FashionMNIST(root="data",train=True,download=True,transform=ToTensor()
)test_data = datasets.FashionMNIST(root="data",train=False,download=True,transform=ToTensor()
)
Iterating and Visualizing the Dataset 迭代和可视化数据集
我们可以像列表一样手动索引Datasets
:training_data[index]
。我们用matplotlib
来可视化训练数据中的一些样本。
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()img, label = training_data[sample_idx]figure.add_subplot(rows, cols, i)plt.title(labels_map[label])plt.axis("off")plt.imshow(img.squeeze(), cmap="gray")
plt.show()
Out:
Creating a Custom Dataset for your files 为您的文件创建自定义数据集
自定义 Dataset 类必须实现三个函数:__init__
、__len__
和__getitem
__。看看这个实现:FashionMNIST 图像存储在目录img_dir
中,它们的标签单独存储在CSV 文件annotations_file
中。
在接下来的部分中,我们将详细介绍每个函数中实现的功能。
import os
import pandas as pd
from torchvision.io import read_imageclass 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_dirself.transform = transformself.target_transform = target_transformdef __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
_init_
__init__
函数在实例化 Dataset 对象时运行一次。我们初始化包含图像、注释文件和两种转换的目录(下一节将更详细地介绍)。
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_dirself.transform = transformself.target_transform = target_transform
_len_
__len__
函数返回数据集中的样本数。
例子:
def __len__(self):return len(self.img_labels)
_getitem_
__getitem__
函数从数据集加载并返回给定索引idx
的的样本。基于索引,它识别图像在磁盘上的位置,使用read_image
将其转换为张量,从 self.img_labels
中的 csv 数据中检索相应的标签,调用它们的转换函数(如果适用),并以元组方式返回张量图像和相应的标签。
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
Preparing your data for training with DataLoaders 使用 DataLoaders 准备数据以进行训练
Dataset
检索我们的数据集中一个样本的特征和标签。在训练模型时,我们通常希望以 “minibatches”方式传递样本,在每个epcoch重新整理数据以减少模型过度拟合,并使用 Python的multiprocessing
来加速数据检索。
在机器学习中,您需要指定数据集中的特征和标签。输入特征,输出标签。我们训练特征,然后训练模型来预测标签。
- 特征是图像像素中的图案
- 标签是我们的 10 类类型:T 恤、凉鞋、连衣裙等
DataLoader
是一个可迭代对象,它通过一个简单的 API 为我们抽象了这种复杂性。要使用 Dataloader,我们需要设置以下参数:
- data 将用于训练模型的训练数据,以及评估模型的测试数据
- batch size 每批中要处理的记录数
- shuffle 按索引随机抽取数据样本
from torch.utils.data import DataLoadertrain_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)
Iterate through the DataLoader 遍历 DataLoader
我们已将该数据集加载到 DataLoader
中,并且可以根据需要迭代数据集。下面的每次迭代都会返回一批train_features
和train_labels
(batch_size=64
分别包含特征和标签)。因为我们指定了shuffle=True
,所以在迭代所有批次后,数据将被打乱(为了更细粒度地控制数据加载顺序,请查看Samplers)。
# 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()
label_name = list(labels_map.values())[label]
print(f"Label: {label_name}")
Feature batch shape: torch.Size([64, 1, 28, 28])
Labels batch shape: torch.Size([64])
Label: Ankle Boot
Normalization 正则化
正则化是一种常见的数据预处理技术,用于缩放或转换数据,以确保每个特征的学习贡献相等。例如,灰度图像中的每个像素的值在0到255之间,这是特征。如果一个像素值为17,另一个像素为197。就会出现像素重要性分布不均匀的情况,因为较高的像素量会使学习发生偏差。正则化会改变数据的范围,而不会扭曲其特征之间的区别。进行这种预处理是为了避免:
- 预测精度降低
- 模型学习困难
- 特征数据范围的不利分布
Transforms 转换
数据并不总是以训练机器学习算法所需的最终处理形式出现。我们使用transforms来操作数据并使其适合训练。
所有 TorchVision 数据集都有两个参数(transform
用于修改特征,target_transform
用于修改标签),它们接受包含转换逻辑的可调用对象。 torchvision.transforms
模块提供了几种开箱即用的常用转换。
FashionMNIST特征采用PIL图像格式,标签为整数。对于训练,我们需要将特征作为归一化张量,将标签作为单热编码张量。为了进行这些转换,我们将使用 ToTensor
和 Lambda
。
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambdads = datasets.FashionMNIST(root="data",train=True,download=True,transform=ToTensor(),target_transform=Lambda(lambda y: torch.zeros(10, dtype=torch.float).scatter_(0, torch.tensor(y), value=1))
)
ToTensor()
ToTensor
将 PIL 图像或 NumPy ndarray
转换为 FloatTensor
并将图像的像素强度值缩放到 [0., 1.]范围。
Lambda transforms
Lambda transforms 应用任何用户定义的 lambda 函数。在这里,我们定义一个函数将整数转换为 one-hot 编码张量。它首先创建一个大小为 10(数据集中的标签数量)的零张量,并调用 scatter,它在标签 y 给定的索引上分配 value=1。您还可以使用 torch.nn.function.one_hot 作为另一个选项来执行此操作。
知识检查
1.PyTorch DataSet
和 PyTorch DataLoader
之间有什么区别
DataSet
按设计用于检索单个数据项,而 DataLoader
按设计用于处理批量数据。
2.PyTorch 中的转换旨在:
对数据执行某些操作,使其适用于训练。
Further Reading 进一步阅读
- torch.utils.data API
References 参考文献
使用 PyTorch 进行机器学习的简介 - Training | Microsoft Learn
使用 PyTorch 进行机器学习的简介 - Training | Microsoft Learn
Github
storm-ice/PyTorch_Fundamentals
storm-ice/PyTorch_Fundamentals