Pytorch中utils.data 与torchvision简介

1 数据处理工具概述

Pytorch涉及数据处理（数据装载、数据预处理、数据增强等）主要工具包及相互关系如下图所示，主要使用torch.utils.data 与 torchvision：

torch.utils.data工具包，它包括以下三个类：
（1）Dataset：是一个抽象类，其它数据集需要继承这个类，并且覆写其中的两个方法(getitem、len)。
（2）DataLoader：定义一个新的迭代器，实现批量（batch）读取，打乱数据（shuffle）并提供并行加速等功能。
（3）random_split：把数据集随机拆分为给定长度的非重叠新数据集。
（4）*sampler：多种采样函数。

可视化处理工具torchvision:Pytorch的一个视觉处理工具包，独立于Pytorch，需要另外安装，使用pip或conda安装即可,包含四个类：

（1）datasets:提供常用的数据集加载，设计上都是继承torch.utils.data.Dataset，主要包括MMIST、CIFAR10/100、ImageNet、COCO等。
（2）models:提供深度学习中各种经典的网络结构以及训练好的模型(如果选择pretrained=True)，包括AlexNet, VGG系列、ResNet系列、Inception系列等。
（3）transforms:常用的数据预处理操作，主要包括对Tensor及PIL Image对象的操作。
（4）utils:含两个函数，一个是make_grid，它能将多张图片拼接在一个网格中；另一个是save_img，它能将Tensor保存成图片。

2 utils.data简介

utils.data包括Dataset和 DataLoader 。

• torch.utils.data.Dataset:为抽象类。自定义数据集需要继承这个类，并实现两个函数。一个是__len__，另一个是__getitem__，前者提供数据的大小(size)，后者通过给定索引获取数据和标签。

• 由于__getitem__一次只能获取一个数据，所以通过torch.utils.data.DataLoader来定义一个新的迭代器，实现batch读取。

下面通过举例，来比较Dataset 和DataLoader

• 1,导入相关模块

import torch
from torch.utils import data
import numpy as np

• 2，定义获取数据集的类，该类继承基类Dataset，自定义一个数据集及对应标签。

class TestDataset(data.Dataset):#继承Dataset
    def __init__(self):
        self.Data=np.asarray([[1,2],[3,4],[2,1],[3,4],[4,5]])#一些由2维向量表示的数据集
        self.Label=np.asarray([0,1,0,1,2])#这是数据集对应的标签
 
    def __getitem__(self, index):
        #把numpy转换为Tensor
        txt=torch.from_numpy(self.Data[index])
        label=torch.tensor(self.Label[index])
        return txt,label 
 
    def __len__(self):
        return len(self.Data)

• 3，获取数据集中数据

Test=TestDataset()
print(Test[2])  #相当于调用__getitem__(2)
print(Test.__len__())
 
#輸出：
#(tensor([2, 1]), tensor(0))
#5

上面使用Dataset的方式，每次只返回一个样本。如果希望批处理，同时还要shuffle和并行加速等操作，可选择DataLoader。

data.DataLoader(
    dataset,
    batch_size=1,
    shuffle=False,
    sampler=None,
    batch_sampler=None,
    num_workers=0,
    collate_fn=,
    pin_memory=False,
    drop_last=False,
    timeout=0,
    worker_init_fn=None,
)

主要参数说明：
 dataset: 加载的数据集；
 batch_size: 批大小；
 shuffle：是否将数据打乱；
 sampler：样本抽样
 num_workers：使用多进程加载的进程数，0代表不使用多进程；
 collate_fn：如何将多个样本数据拼接成一个batch，一般使用默认的拼接方式即可；
 pin_memory：是否将数据保存在pin memory区，pin memory中的数据转到GPU会快一些；
 drop_last：dataset 中的数据个数可能不是 batch_size的整数倍，drop_last为True会将多出来不足一个batch的数据丢弃。

test_loader = data.DataLoader(Test,batch_size=2,shuffle=False,num_workers=2)
for i,traindata in enumerate(test_loader):
    print('i:',i)
    Data,Label=traindata
    print('data:',Data)
    print('Label:',Label)

从这个结果可以看出，这是批量读取。我们可以像使用迭代器一样使用它,如对它进行循环操作。不过它不是迭代器，我们可以通过iter命令转换为迭代器。

一般用data.Dataset处理同一个目录下的数据。如果数据在不同目录下，不同目录代表不同类别（这种情况比较普遍），使用data.Dataset来处理就不很方便。

不过，可以使用Pytorch另一种可视化数据处理工具（即torchvision）就非常方便，不但可以自动获取标签，还提供很多数据预处理、数据增强等转换函数。

3 torchvision简介

torchvision有4个功能模块，

• model：
• datasets：
• transforms：如何使用transforms对源数据进行预处理、增强等
• utils：

3.1 transforms

transforms提供了对PIL Image对象和Tensor对象的常用操作

（1）对PIL Image的常见操作如下：
 Scale/Resize: 调整尺寸，长宽比保持不变；
 CenterCrop、RandomCrop、RandomSizedCrop：裁剪图片，CenterCrop和RandomCrop在crop时是固定size，RandomResizedCrop则是random size的crop；
 Pad: 填充；
 ToTensor: 把一个取值范围是[0,255]的PIL.Image 转换成 Tensor。形状为(H,W,C)的numpy.ndarray，转换成形状为[C,H,W]，取值范围是[0,1.0]的torch.FloatTensor。
 RandomHorizontalFlip:图像随机水平翻转，翻转概率为0.5;
 RandomVerticalFlip: 图像随机垂直翻转;
 ColorJitter: 修改亮度、对比度和饱和度。

（2）对Tensor的常见操作如下：
 Normalize: 标准化，即减均值，除以标准差；
 ToPILImage:将Tensor转为PIL Image。

如果要对数据集进行多个操作，可通过Compose将这些操作像管道一样拼接起来，类似于nn.Sequential。以下为示例代码

transforms.Compose([
    #将给定的 PIL.Image 进行中心切割，得到给定的 size，
    #size 可以是 tuple，(target_height, target_width)。
    #size 也可以是一个 Integer，在这种情况下，切出来的图片形状是正方形。            
    transforms.CenterCrop(10),
    #切割中心点的位置随机选取
    transforms.RandomCrop(20, padding=0),
    #把一个取值范围是 [0, 255] 的 PIL.Image 或者 shape 为 (H, W, C) 的 numpy.ndarray，
    #转换为形状为 (C, H, W)，取值范围是 [0, 1] 的 torch.FloatTensor
    transforms.ToTensor(),
    #规范化到[-1,1]
    transforms.Normalize(mean = (0.5, 0.5, 0.5), std = (0.5, 0.5, 0.5))
])

3.2 ImageFolder

当文件依据标签处于不同文件下时，如：

可以利用 torchvision.datasets.ImageFolder 来直接构造出 dataset，代码如下：

loader = datasets.ImageFolder(path)
loader = data.DataLoader(dataset)

ImageFolder 会将目录中的文件夹名自动转化成序列，那么DataLoader载入时，标签自动就是整数序列了。
下面我们利用ImageFolder读取不同目录下图片数据，然后使用transorms进行图像预处理，预处理有多个，我们用compose把这些操作拼接在一起。然后使用DataLoader加载。

对处理后的数据用torchvision.utils中的save_image保存为一个png格式文件，然后用Image.open打开该png文件，详细代码如下：

from torchvision import transforms, utils
from torchvision import datasets
import torch
import matplotlib.pyplot as plt 
%matplotlib inline
 
my_trans=transforms.Compose([
    transforms.RandomResizedCrop(224),
    transforms.RandomHorizontalFlip(),
    transforms.ToTensor()
])
train_data = datasets.ImageFolder('./data/torchvision_data', transform=my_trans)
train_loader = data.DataLoader(train_data,batch_size=8,shuffle=True,)
                                            
for i_batch, img in enumerate(train_loader):
    if i_batch == 0:
        print(img[1])
        fig = plt.figure()
        grid = utils.make_grid(img[0])
        plt.imshow(grid.numpy().transpose((1, 2, 0)))
        plt.show()
        utils.save_image(grid,'test01.png')
    break

其他功能模块待更新！
参考：python深度学习-基于pytorch