Chapter2 数据集和数据集加载器
处理数据样本的代码可能会变得混乱且难以维护,我们理想地希望我们的数据集代码与我们的模型训练代码解耦合,以获得更好的可读性和模块化。Pytorch提供了两个数据原语:torch.utils.data.DataLoader和torch.utils.data.Dataset,可以更好地使用预加载数据集,以及自己的数据。
Pytorch提供了许多预加载的数据集,例如FashionMNIST等。
1 加载数据集
以下是如何从TorchVision加载Fashion-MNIST数据集的示例。Fashion-MNIST图像数据集,由60000个训练示例和10000个测试示例组成。每个示例都包含一个28×28灰度图像和来自10个类别之一的相关标签。
我们使用以下参数加载FashionMNIST数据集:
参数 | 功能 |
---|---|
root | 存储训练/测试数据集的路径 |
train | 指定训练或测试数据集(train=True:表示当前为训练数据集) |
download=True | 如果数据不可用,则从Internet下载数据存到root |
transform、target_transfrom | 指定特征和标签转换 |
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())
2 迭代和可视化数据集
可以手动索引Datasets列表: training_data[index]。使用matplotlib来可视化训练数据集中的一些样本。
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()
3 创建一个自定义数据集
自定义数据类必须实现三个函数:init、len、getitem。下面是一个实现样例:FashionMNIST图像存储在一个目录中:img_dir,他们的标签单独存储在一个CSV文件中:annotations_file。
在接下来的部分中,我们将分解每个函数中发生的事情。
import os
import panads as pd
from torchvision.io import read_image
"""
The labels.csv file looks like:
tshirt1.jpg, 0
tshirt2.jpg, 0
......
ankleboot999.jpg, 9
"""
class CustomImageDataset(Dataset):
def __init__(self, annotation_file, img_dir, transform=None, target_transform=None):
self.img_labels = pd.read_csv(annotations_file)
self.img_dir = img_dir
self.transform = target_transform
def __len__(self): # 返回数据集datasets中样例数量
return len(self.img_labels)
def __getitem__(self, idx): # 返回索引idx指定的样例
img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
# self.img_labels.iloc[idx, 0]返回位于索引idx的那行数据的第一列(0),也即文件名
image = read_image(img_path)
label = self.img_labels.iloc[idx, 1] # self.img_labels.iloc[idx, 1]返回位于索引idx的那行数据的第二列(1),也即文件名对应的标签
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、注释文件和这两种转换的目录(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
len
__len__函数返回数据集中样例的数量
def __len__(self):
return len(self.img_labels)
getitem
__getitem__函数根据给定的索引idx从数据集中加载并返回样例。根据索引,该函数可以确定样例在磁盘中的存放位置,并使用read_image函数将其转换成tensor,从self中的csv数据中检索相应的标签。调用他们上的变换函数(如果适用),并返回元组中的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
4 准备好数据,使用DataLoaders加载数据进行训练
Dataset每次检索数据集中的一个样本的特征和标签。当训练模型时,我们通常希望使用“小批量”样本,在每个epoch重新洗选数据(reshuffle),以此来降低模型过拟合,同时可以使用Python的multiprocessing来加快数据检索。
DataLoader是一个可迭代对象,它以一个简单的API为我们抽象了这种复杂性。
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)
5 通过DataLoader来迭代数据
通过上面的操作,已经将数据加载到了DataLoader中,之后可以对数据集进行遍历。下面代码中的每一次迭代都会返回一个batch的数据,包括train_feature和train_labels(包含了batch_size=64的特征和对应标签)。因为我们指定了shuffle=True,因此当我们迭代了所有的batch之后,数据集会被重新打乱。
# 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}")
"""
Output:
Feature batch shape: torch.Size([64, 1, 28, 28])
Labels batch shape: torch.Size([64])
Label: 4
"""