智能数字图像处理：图卷积SGN代码（pytorch）之data.py解读

解读NTUDataset类：

定义3个方法：初始化方法，求长度方法，求x,y索引

def __init__(self, x, y):
        self.x = x
        self.y = np.array(y, dtype='int')

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

    def __getitem__(self, index):
        return [self.x[index], int(self.y[index])]

解读NTUDataLoaders类

1.def __init__(self, dataset ='NTU', case = 0, aug = 1, seg = 30):
        self.dataset = dataset
        self.case = case
        self.aug = aug
        self.seg = seg
        self.create_datasets()
        self.train_set = NTUDataset(self.train_X, self.train_Y)
        self.val_set = NTUDataset(self.val_X, self.val_Y)
        self.test_set = NTUDataset(self.test_X, self.test_Y) 

2.get_train_loader方法:

if self.aug == 0:-》若传入参数为0
            return DataLoader(self.train_set, batch_size=batch_size,
                              shuffle=True, num_workers=num_workers,
                              collate_fn=self.collate_fn_fix_val, pin_memory=False, drop_last=True)-》一个可迭代对象，使用iter()访问，不能使用next()访问，train_set数据集，batch_size批处理大小，num_workers线程，
        elif self.aug ==1:-》若传入参数为0
            return DataLoader(self.train_set, batch_size=batch_size,
                              shuffle=True, num_workers=num_workers,
                              collate_fn=self.collate_fn_fix_train, pin_memory=True, drop_last=True)-》一个可迭代对象，

3.get_val_loader方法，同理

4.get_test_loader方法：加载测试数据

5.get_train_size，get_val_size，get_test_size-》获取训练集大小，验证集大小，测试集大小

6.create_datasets方法：

if self.dataset == 'NTU':
            if self.case ==0:
                self.metric = 'CS'
            elif self.case == 1:
                self.metric = 'CV'
            path = osp.join('./data/ntu', 'NTU_' + self.metric + '.h5')-》加载.h5文件

7.f = h5py.File(path , 'r')
        self.train_X = f['x'][:]-》读取训练集x坐标
        self.train_Y = np.argmax(f['y'][:],-1)-》读取训练集y坐标
        self.val_X = f['valid_x'][:]-》读取验证集x坐标
        self.val_Y = np.argmax(f['valid_y'][:], -1)-》读取验证集y坐标
        self.test_X = f['test_x'][:]-》读取测试集x坐标
        self.test_Y = np.argmax(f['test_y'][:], -1)-》读取测试集y坐标
        f.close()

8.将训练数据和验证数据合并为ST-GCN
        self.train_X = np.concatenate([self.train_X, self.val_X], axis=0)-》能够一次完成多个数组的拼接。
        self.train_Y = np.concatenate([self.train_Y, self.val_Y], axis=0)-》能够一次完成多个数组的拼接。
        self.val_X = self.test_X-》测试集赋值給验证集
        self.val_Y = self.test_Y-》测试集赋值給验证集

解读collate_fn_fix_train方法

作用：将每个数据字段放入具有外部维度批大小的张量中

1.x, y = zip(*batch)-》zip() 函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。 

2.if self.dataset == 'kinetics' and self.machine == 'philly':-》如果数据集是kinetics和philly
            x = np.array(x)-》载入矩阵
            x = x.reshape(x.shape[0], x.shape[1],-1)-》reshape重新生成数组
            x = x.reshape(-1, x.shape[1] * x.shape[2], x.shape[3]*x.shape[4])-》reshape重新生成数组
            x = list(x)-》加入列表

3.x, y = self.Tolist_fix(x, y, train=1)-》调用Tolist_fix模块返回未知
        lens = np.array([x_.shape[0] for x_ in x], dtype=np.int)-