Pytorch加载数据集的方式总结及补充
咕噜咕噜冰阔落 人气:0前言
在用Pytorch加载数据集时,看GitHub上的代码经常会用到ImageFolder、DataLoader等一系列方法,而这些方法又是来自于torchvision、torch.utils.data。除加载数据集外,还有torchvision中的transforms对数据集预处理…等等等等。这个data,那个dataset…这一系列下来,不加注意的话实在有点打脑壳。看别人的代码加载数据集挺简单,但是自己用的时候,尤其是加载自己所制作的数据集的时候,就会茫然无措。别无他法,抱着硬啃的心态,查阅了其他博文,通过代码实验,终于是理清楚了思路。
Pytorch加载数据集可以分两种大的情况:一、自己重写定义; 二、用Pytorch自带的类。第二种里面又有多种不同的方法(datasets、 ImageFolder等),但这些方法都有相同的处理规律。我理解的,无论是哪种情况,加载数据集都需要构造数据加载器和数据装载器(后者生成的是可迭代的数据)。现将这两种情况一一说明。
一、自己重写定义(Dataset、DataLoader)
目前我们有自己制作的数据以及数据标签,但是有时候感觉不太适合直接用Pytorch自带加载数据集的方法。我们可以自己来重写定义一个类,这个类继承于 torch.utils.data.Dataset,同时我们需要重写这个类里面的两个方法 _ getitem__ () 和__ len()__函数。
如下所示。这两种方法如何构造以及具体的细节可以查看其他的博客。len方法必须返回数据的长度,getitem方法必须返回数据以及标签。
import torch import numpy as np # 定义GetLoader类,继承Dataset方法,并重写__getitem__()和__len__()方法 class GetLoader(torch.utils.data.Dataset): # 初始化函数,得到数据 def __init__(self, data_root, data_label): self.data = data_root self.label = data_label # index是根据batchsize划分数据后得到的索引,最后将data和对应的labels进行一起返回 def __getitem__(self, index): data = self.data[index] labels = self.label[index] return data, labels # 该函数返回数据大小长度,目的是DataLoader方便划分,如果不知道大小,DataLoader会一脸懵逼 def __len__(self): return len(self.data) # 随机生成数据,大小为10 * 20列 source_data = np.random.rand(10, 20) # 随机生成标签,大小为10 * 1列 source_label = np.random.randint(0,2,(10, 1)) # 通过GetLoader将数据进行加载,返回Dataset对象,包含data和labels torch_data = GetLoader(source_data, source_label)
通过上述的程序,我们构造了一个数据加载器torch_data,但是还是不能直接传入网络中。接下来需要构造数据装载器,产生可迭代的数据,再传入网络中。DataLoader类完成这个工作。
torch.utils.data.DataLoader(dataset,batch_size,shuffle,drop_last,num_workers)
参数解释:
1.dataset : 加载torch.utils.data.Dataset对象数据
2.batch_size : 每个batch的大小,将我们的数据分批输入到网络中
3.shuffle : 是否对数据进行打乱
4.drop_last : 是否对无法整除的最后一个datasize进行丢弃
5.num_workers : 表示加载的时候子进程数
结合我们自己定义的加载数据集类,可以如下使用。后面将data和label传入我们定义的模型中。
... torch_data = GetLoader(source_data, source_label) from torch.utils.data import DataLoader datas = DataLoader(torch_data, batch_size = 4, shuffle = True, drop_last = False, num_workers = 2) for i, (data, label) in enumerate(datas): # i表示第几个batch, data表示batch_size个原始的数据,label代表batch_size个数据的标签 print("第 {} 个Batch \n{}".format(i, data))
二、用Pytorch自带的类(ImageFolder、datasets、DataLoader)
2.1 加载自己的数据集
2.1.1 ImageFolder介绍
和第一种情况不一样,我们不需要在代码上自己定义数据集类了,而是将数据集按照一定的格式摆放,调用ImageFolder类即可。这种是在调用Pytorch内部的API,所以我们自己的数据集得需要按照API内部所规定的存放格式。torchvision.datasets.ImageFolder 要求数据集按照如下方式组织。根目录 root 下存储的是类别文件夹(如cat,dog),每个类别文件夹下存储相应类别的图像(如xxx.png)
A generic data loader where the images are arranged in this way:
root/dog/xxx.png
root/dog/xxy.png
root/dog/xxz.pngroot/cat/123.png
root/cat/nsdf3.png
root/cat/asd932_.png
torchvision.datasets.ImageFolder有以下参数:
dataset=torchvision.datasets.ImageFolder( root, transform=None, target_transform=None, loader=<function default_loader>, is_valid_file=None)
参数解释:
1.root:根目录,在root目录下,应该有不同类别的子文件夹;
|--data(root)
|--train
|--cat
|--dog
|--valid
|--cat
|--dog
2.transform:对图片进行预处理的操作,原始图像作为一个输入,返回的是transform变换后的图片;
3.target_transform:对图片类别进行预处理的操作,输入为 target,输出对其的转换。 如果不传该参数,即对target不做任何转换,返回的顺序索引 0,1, 2…
4.loader:表示数据集加载方式,通常默认加载方式即可;
5.is_valid_file:获取图像文件的路径并检查该文件是否为有效文件的函数(用于检查损坏文件)
作为torchvision.datasets.ImageFolder的返回,会有以下三种属性:
(1)self.classes:用一个 list 保存类别名称
(2)self.class_to_idx:类别对应的索引,与不做任何转换返回的 target 对应
(3)self.imgs:保存(img_path, class) tuple的list
以猫狗类别举例,各属性输出如下所示:
print(dataset.classes) #根据分的文件夹的名字来确定的类别 print(dataset.class_to_idx) #按顺序为这些类别定义索引为0,1... print(dataset.imgs) #返回从所有文件夹中得到的图片的路径以及其类别 ''' 输出: ['cat', 'dog'] {'cat': 0, 'dog': 1} [('./data/train\\cat\\1.jpg', 0), ('./data/train\\cat\\2.jpg', 0), ('./data/train\\dog\\1.jpg', 1), ('./data/train\\dog\\2.jpg', 1)] '''
2.2.2 ImageFolder加载数据集完整例子
# 5. 将文件夹数据导入 train_loader = torch.utils.data.DataLoader(dataset, batch_size = batch_size, shuffle=True, num_workers = 2) # 6. 传入网络进行训练 for epoch in range(epochs): train_bar = tqdm(train_loader, file = sys.stdout) for step, data in enumerate(train_bar): ...
和第一种情况自己重写定义一样,上述的代码仅仅完成了数据加载器的定义。这样是不能直接传入网络中进行训练的,需要再构造一个可迭代的数据装载器。DataLoader类的使用方式上文中有详细介绍。
# 5. 将文件夹数据导入 train_loader = torch.utils.data.DataLoader(dataset, batch_size = batch_size, shuffle=True, num_workers = 2) # 6. 传入网络进行训练 for epoch in range(epochs): train_bar = tqdm(train_loader, file = sys.stdout) for step, data in enumerate(train_bar): ...
2.2 加载常见的数据集
有些数据集是公共的,比如常见的MNIST,CIFAR10,SVHN等等。这些数据集在Pytorch中可以通过代码就可以下载、加载。如下代码所示。用torchvision中的datasets类下载数据集,并还是结合DataLoader来构建可直接传入网络的数据装载器。
from torch.utils.data import DataLoader from torchvision import datasets, transforms def dataloader(dataset, input_size, batch_size, split='train'): transform = transforms.Compose([ transforms.Resize((input_size, input_size)), transforms.ToTensor(), transforms.Normalize(mean=[0.5], std=[0.5]) ]) if dataset == 'mnist': data_loader = DataLoader( datasets.MNIST('data/mnist', train=True, download=True, transform=transform), batch_size=batch_size, shuffle=True) elif dataset == 'fashion-mnist': data_loader = DataLoader( datasets.FashionMNIST('data/fashion-mnist', train=True, download=True, transform=transform), batch_size=batch_size, shuffle=True) elif dataset == 'cifar10': data_loader = DataLoader( datasets.CIFAR10('data/cifar10', train=True, download=True, transform=transform), batch_size=batch_size, shuffle=True) elif dataset == 'svhn': data_loader = DataLoader( datasets.SVHN('data/svhn', split=split, download=True, transform=transform), batch_size=batch_size, shuffle=True) elif dataset == 'stl10': data_loader = DataLoader( datasets.STL10('data/stl10', split=split, download=True, transform=transform), batch_size=batch_size, shuffle=True) elif dataset == 'lsun-bed': data_loader = DataLoader( datasets.LSUN('data/lsun', classes=['bedroom_train'], transform=transform), batch_size=batch_size, shuffle=True) return data_loader
三、总结
至于觉得加载数据集比较难的很大的原因,我感觉是Dataset、datasets、DataLoader以及torch.utils.data、torchvision种类太多,有点混乱。上面的梳理,我的理解是无论是哪种方式,终端还是需要DataLoader整合。作为加载数据集的前端,用自己定义的、用ImageFolder的、还是用datasets加载常用数据集,都是在构造数据加载器,而且构造起来也并不复杂。梳理清晰后,相信对Pytorch加载数据集有了更进一步的理解。
四、transforms变换讲解
torchvision.transforms是Pytorch中的图像预处理包。一般定义在加载数据集之前,用transforms中的Compose类把多个步骤整合到一起,而这些步骤是transforms中的函数。
transforms中的函数有这些:
函数 | 含义 |
---|---|
transforms.Resize | 把给定的图片resize到given size |
transforms.Normalize | 用均值和标准差归一化张量图像 |
transforms.Totensor | 可以将PIL和numpy格式的数据从[0,255]范围转换到[0,1] ; <br /另外原始数据的shape是(H x W x C),通过transforms.ToTensor() 后shape会变为(C x H x W) |
transforms.RandomGrayscale | 将图像以一定的概率转换为灰度图像 |
transforms.ColorJitter | 随机改变图像的亮度对比度和饱和度 |
transforms.Centercrop | 在图片的中间区域进行裁剪 |
transforms.RandomCrop | 在一个随机的位置进行裁剪 |
transforms.FiceCrop | 把图像裁剪为四个角和一个中心 |
transforms.RandomResizedCrop | 将PIL图像裁剪成任意大小和纵横比 |
transforms.ToPILImage | convert a tensor to PIL image |
transforms.RandomHorizontalFlip | 以0.5的概率水平翻转给定的PIL图像 |
transforms.RandomVerticalFlip | 以0.5的概率竖直翻转给定的PIL图像 |
transforms.Grayscale | 将图像转换为灰度图像 |
不同函数对应有不同的属性,用transforms.Compose将不同的操作整合在一起,如下所示。
transforms.Compose([transforms.RandomResizedCrop(224), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])
五、DataLoader的补充
数据加载器,结合了数据集和取样器,并且可以提供多个线程处理数据集。
在训练模型时使用到此函数,用来把训练数据分成多个小组,此函数每次抛出一组数据。直至把所有的数据都抛出。就是做一个数据的初始化。
用下面的例子测试:
""" 批训练,把数据变成一小批一小批数据进行训练。 DataLoader就是用来包装所使用的数据,每次抛出一批数据 """ import torch import torch.utils.data as Data BATCH_SIZE = 5 x = torch.linspace(1, 10, 10) y = torch.linspace(10, 1, 10) # 把数据放在数据库中 torch_dataset = Data.TensorDataset(x, y) loader = Data.DataLoader( # 从数据库中每次抽出batch size个样本 dataset=torch_dataset, batch_size=BATCH_SIZE, shuffle=True, num_workers=2, ) def show_batch(): for epoch in range(3): for step, (batch_x, batch_y) in enumerate(loader): # training print("steop:{}, batch_x:{}, batch_y:{}".format(step, batch_x, batch_y)) if __name__ == '__main__': show_batch()
结果如下所示。仔细观察:
每一个step,batch_x是不会重合的,batch_y里面的值也是不会重合的(第一个step中,batch_x:tensor([ 3., 10., 6., 2., 8.]);第二个step中batch_x:tensor([5., 9., 7., 4., 1.])),说明DataLoader将数据打乱后,每次选用其中的Batch_size个数据且不会重复;
其二,batch_x 和 batch_y对应的索引之和相等,这说明DataLoader对图像和标签打乱顺序时,同时按照某一规律打乱,并不会造成标签和图像出现不对应的情况。
其三,在不同的epoch之间,每次数据也是不同的,说明DataLoader每次被调用时,都会重新打乱一次。
steop:0, batch_x:tensor([ 3., 10., 6., 2., 8.]), batch_y:tensor([8., 1., 5., 9., 3.]) steop:1, batch_x:tensor([5., 9., 7., 4., 1.]), batch_y:tensor([ 6., 2., 4., 7., 10.]) steop:0, batch_x:tensor([8., 3., 1., 2., 9.]), batch_y:tensor([ 3., 8., 10., 9., 2.]) steop:1, batch_x:tensor([10., 5., 4., 7., 6.]), batch_y:tensor([1., 6., 7., 4., 5.]) steop:0, batch_x:tensor([5., 8., 4., 3., 7.]), batch_y:tensor([6., 3., 7., 8., 4.]) steop:1, batch_x:tensor([ 2., 10., 6., 9., 1.]), batch_y:tensor([ 9., 1., 5., 2., 10.])
总结
加载全部内容