《昇思25天学习打卡营第4天 | 数据变换 Transforms》

学习内容:MindSpore提供不同种类的数据变换

通常情况下，直接加载的原始数据并不能直接送入神经网络进行训练，此时我们需要对其进行数据预处理。MindSpore提供不同种类的数据变换（Transforms），配合数据处理Pipeline来实现数据预处理。所有的Transforms均可通过map方法传入，实现对指定数据列的处理。

mindspore.dataset提供了面向图像、文本、音频等不同数据类型的Transforms，同时也支持使用Lambda函数。下面分别对其进行介绍。

1.Common Transforms

mindspore.dataset.transforms模块支持一系列通用Transforms,用于通用数据增强，其中一部分增强操作是用C++实现的，具有较好的高性能，另一部分是基于Python实现，使用了NumPy模块作为支持。

在API示例中，常用的模块导入方法如下：

  import mindspore.dataset as ds
  import mindspore.dataset.transforms as transforms

mindspore.dataset.transforms.Compose	将多个数据增强操作组合使用。
mindspore.dataset.transforms.Concatenate	在输入数据的某一个轴上进行数组拼接，目前仅支持拼接形状为1D的数组。
mindspore.dataset.transforms.Duplicate	将输入的数据列复制得到新的数据列，每次仅可以输入1个数据列进行复制。
mindspore.dataset.transforms.Mask	用给条件判断输入Tensor的内容，并返回一个掩码Tensor。
mindspore.dataset.transforms.Fill	将Tensor的所有元素都赋值为指定的值。
mindspore.dataset.transforms.Onehot	对输入标签进行OneHot编码。
mindspore.dataset.transforms.PadEnd	对输入Tensor进行填充，要求 pad_shape 与输入Tensor的维度保持一致。
mindspore.dataset.transforms.RandomApply	指定一组数据增强处理及其被应用的概率，在运算时按概率随机应用其中的增强处理。
mindspore.dataset.transforms.RandomChoice	从一组数据增强变换中随机选择一个进行应用。
mindspore.dataset.transforms.RandomOrder	给一个数据增强的列表，随机打乱数据增强处理的顺序。
mindspore.dataset.transforms.Slice	对输入进行切片。
mindspore.dataset.transforms.TypeCast	将输入的Tensor转换为指定的数据类型。
mindspore.dataset.transforms.Unique	对输入张量进行唯一运算，每次只支持对一个数据列进行变换。

这里我们以Compose为例，介绍其使用方式。
Compose接收一个数据增强操作序列，然后将其组合成单个数据增强操作。我们仍基于Mnist数据集呈现Transforms的应用效果。

# Download data from open datasets

url = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/" \
      "notebook/datasets/MNIST_Data.zip"
path = download(url, "./", kind="zip", replace=True)
train_dataset = MnistDataset('MNIST_Data/train')

初始数据集中Imageshape

执行compose操作之后，Image.shape发生了改变

composed = transforms.Compose(
    [
        vision.Rescale(1.0 / 255.0, 0),
        vision.Normalize(mean=(0.1307,), std=(0.3081,)),
        vision.HWC2CHW()
    ]
)

2.Vision Transforms

mindspore.dataset.vision模块提供一系列针对图像数据的Transforms。在Mnist数据处理过程中，使用了Rescale、Normalize和HWC2CHW变换。下面对其进行详述。

Rescale变换用于调整图像像素值的大小

包括两个参数： rescale：缩放因子，shift：平移因子。
图像的每个像素将根据这两个参数进行调整，输出的像素值为 𝑜𝑢𝑡𝑝𝑢𝑡𝑖=𝑖𝑛𝑝𝑢𝑡𝑖∗𝑟𝑒𝑠𝑐𝑎𝑙𝑒+𝑠ℎ𝑖𝑓𝑡

这里我们先使用numpy随机生成一个像素值在[0, 255]的图像，将其像素值进行缩放。

Normalize变换用于对输入图像的归一化，包括三个参数：

• mean：图像每个通道的均值。
• std：图像每个通道的标准差。
• is_hwc：bool值，输入图像的格式。True为(height, width, channel)，False为(channel, height, width)。
  图像的每个通道将根据mean和std进行调整，计算公式为 𝑜𝑢𝑡𝑝𝑢𝑡𝑐=𝑖𝑛𝑝𝑢𝑡𝑐−𝑚𝑒𝑎𝑛𝑐𝑠𝑡𝑑𝑐
  ，其中 𝑐代表通道索引。
  

HWC2CHW变换用于转换图像格式

在不同的硬件设备中可能会对(height, width, channel)或(channel, height, width)两种不同格式有针对性优化。MindSpore设置HWC为默认图像格式，在有CHW格式需求时，可使用该变换进行处理。

• 这里我们先将前文中normalized_image处理为HWC格式，然后进行转换。可以看到转换前后的shape发生了变化。
  

3.Text Transforms

mindspore.dataset.text模块提供一系列针对文本数据的Transforms。与图像数据不同，文本数据需要有分词（Tokenize）、构建词表、Token转Index等操作。这里简单介绍其使用方法。

• PythonTokenizer：分词（Tokenize）操作是文本数据的基础处理方法，MindSpore提供多种不同的Tokenizer。这里我们选择基础的PythonTokenizer举例，此Tokenizer允许用户自由实现分词策略。随后我们利用map操作将此分词器应用到输入的文本中，对其进行分词。

     def my_tokenizer(content):
          return content.split()

     test_dataset = test_dataset.map(text.PythonTokenizer(my_tokenizer))
     print(next(test_dataset.create_tuple_iterator()))

• Lookup：为词表映射变换，用来将Token转换为Index。在使用Lookup前，需要构造词表，一般可以加载已有的词表，或使用Vocab生成词表。这里我们选择使用Vocab.from_dataset方法从数据集中生成词表。

    vocab = text.Vocab.from_dataset(test_dataset)

获得词表后我们可以使用vocab方法查看词表。

   print(vocab.vocab())

生成词表后，可以配合map方法进行词表映射变换，将Token转为Index。

  test_dataset = test_dataset.map(text.Lookup(vocab))
  print(next(test_dataset.create_tuple_iterator()))

4.Lambda Transforms

Lambda函数是一种不需要名字、由一个单独表达式组成的匿名函数，表达式会在调用时被求值。Lambda Transforms可以加载任意定义的Lambda函数，提供足够的灵活度。

心得体会：学习在于多实践