pytorch数据导入以及预处理

Pythorch 数据初始化

pytorch在数据从原始数据集里面获取以后（一般处理成numpy数组），需要以下步骤：

1.构造DataClass

torch.utils.data.Dataset是一个表示数据的抽象类，在构造自己的数据集时候，首先应该构造一个他的子类，并且该子类需要重写下面两个方法：

__len__，这个方法在使用len(Dataset)时候会被调动，用于返回数据集Dataset数据集条目数
__getitem__，该方法用于支持Dataset[i]这样的索引操作一般来讲，在__init__函数中载入比较小的数据，像比较大的数据，如图像等可以在__getitem__里面再载入，这样会节省内存开销。

如下栗子：

class Mydataset(Dataset):
    """ 自己的数据集"""

    def __init__(self, labelFiles, root_dir, transform=None):
        """
        Args:
            labels (string): 此处是labels的文件路径.
            root_dir (string): 此处是图像文件路径.
            transform (callable, optional): 应用与图像之上的各种变换，诸如数据增强等。.
        """
        self.labels = read(labelFiles)  #这里加载了标签文件
        self.root_dir = root_dir
        self.transform = transform

    def __len__(self):
        return len(self.labels)

    def __getitem__(self, idx):
        #TODO：获取一个指定的样本，组合成字典
        sample={"image":image,"labels":labels}
        
        #如果有变换则加变换
        if self.transform:
            sample = self.transform(sample)

        return sample

2.数据变换以及预处理：transforms

通常的预处理有：1.改变图像的尺寸，2.数据增强(随机切片，镜像…），3.数据格式的变换（维度变化）这里定义的transforms对象是一个可调用的类，当该类的对象被调用的时候，方法：__call__将被调用，所以这个类一般都要实现这个方法。
下面给出一个栗子：

class Rescale(object):
    """Rescale the image in a sample to a given size.

    Args:
        output_size (tuple or int): Desired output size. If tuple, output is
            matched to output_size. If int, smaller of image edges is matched
            to output_size keeping aspect ratio the same.
    """

    def __init__(self, output_size):    #这个在初始化时候调用，一般做传参用
        assert isinstance(output_size, (int, tuple))
        self.output_size = output_size

    def __call__(self, sample):         #当对象被当做函数使用时候调用，输入一个样本对，返回处理后的样本对（字典）
        image, landmarks = sample['image'], sample['landmarks']

        h, w = image.shape[:2]
        if isinstance(self.output_size, int):
            if h > w:
                new_h, new_w = self.output_size * h / w, self.output_size
            else:
                new_h, new_w = self.output_size, self.output_size * w / h
        else:
            new_h, new_w = self.output_size

        new_h, new_w = int(new_h), int(new_w)

        img = transform.resize(image, (new_h, new_w))

        # h and w are swapped for landmarks because for images,
        # x and y axes are axis 1 and 0 respectively
        landmarks = landmarks * [new_w / w, new_h / h]

        return {'image': img, 'label': landmarks}

3.多种transforms组合使用

可以使用torchversion.transforms.Compose类来完成组合，这个类是一个可调用的类，使用方法同样是实例化以后当做函数一样使用，具体方法如下：

scale = Rescale()       #这里有两个变换
crop = RandomCrop()
composed = transforms.Compose([scale,crop])
dataset=Mydataset("labels路径","图片路径",transform=composed)
#这里的dataset是已经处理过的数据。可以通过索引来访问。

Python数据载入

训练模型时候，需要的数据通常都是以miniBatch方式载入，而且Pytorch也同样只能以batch方式载入数据，为此，需要我们把以上处理好的数据做以下处理：
1.组合为Batch
2.打乱数据
3.使用并行处理工具：multprocessing载入数据
torch.utils.data.DataLoader函数可以完成以上工作，其完整的参数如下：

class torch.utils.data.DataLoader(
    dataset,
    batch_size=1,
    shuffle=False,
    sampler=None,
    batch_sampler=None,
    num_workers=0,
    collate_fn=<function default_collate>,
    pin_memory=False,
    drop_last=False,
    timeout=0,
    worker_init_fn=None)

该函数返回一个迭代器，举个使用的栗子：

dataloader=DataLoader(Mydataset,batch_size=1,shuffle=True,num_workers=2)
for i_batch,sample_batched in enumrate(dataloader):
    images=sample_batched['image']
    labels=sample_batched['label']
    #TODO:训练模型

References:Pytorch Documentations