数据读取与数据扩增

上一次内容是: 赛题的内容和三种不同的解决方案。选取第一个解题思路：【定长字符识别】思路来构建模型，并逐步讲解赛题的解决方案和相应知识点。
本章主要内容为数据读取、数据扩增方法和Pytorch读取赛题数据三个部分组成
学习目标：学习python和pytorch中图像读取 学会扩增方法和pytorch读取赛题数据

1 名词概念：iteration、epoch、batchsize

1.1 解释

epoch：就是整个训练集被训练算法遍历的次数。
iterations：进行训练需要的总共的迭代次数。单次迭代次数=（全部训练样本/batchsize） / iteration =1
batchsize(批大小)：进行一次iteration（迭代）所训练数据的数量。
epoch：一次epoch是指将所有数据训练一遍的次数，epoch所代表的数字是指所有数据被训练的总轮数。
例如：有49000个数据，计划进行十轮训练，那么epoch=10；一次训练迭代训练100个数据，batchsize=100，训练一轮总共要迭代490次（49000/100=490）。总的iteration=490*10=4900次。

1.2 为什么使用

在数据很庞大的时候（在机器学习中，几乎任何时候都是），我们才需要使用 epochs，batch size，iteration这些术语，在这种情况下，一次性将数据输入计算机是不可能的。因此，为了解决这个问题，我们需要把数据分成小块，一块一块的传递给计算机，在每一步的末端更新神经网络的权重，拟合给定的数据。

1.3 为什么epochs对于一次？

在神经网络中传递完整的数据集一次是不够的，而且我们需要将完整的数据集在同样的神经网络中传递多次。我们使用的是有限的数据集，并且我们使用一个迭代过程即梯度下降，优化学习过程和图示。因此仅仅更新权重一次或者说使用一个 epoch 是不够的。

随着 epoch 数量增加，神经网络中的权重的更新次数也增加，曲线从欠拟合变得过拟合。

1.4 bachsize的作用？

batch_size将影响到模型的优化程度和速度。batchsize 的正确选择是为了在内存效率和内存容量之间寻找最佳平衡。
适当的增加Batchsize 的优点：
1.通过并行化提高内存利用率。
2.单次epoch的迭代次数减少，提高运行速度。（单次epoch=（全部训练样本/batchsize） / iteration =1）
3.适当的增加Batch_Size，梯度下降方向准确度增加，训练震动的幅度减小
训练集有1000个样本，batchsize=10，那么：训练完1次epoch整个样本集需要：100次iteration，。

2 图像读取和处理

对于赛题数据时图像数据，赛题任务是识别图像中的字符。因此首先需要完成对数据的读取操作，在python中有很多库可以完成数据读取的操作，比较常见的有Pillow和OpenCV。

2.1 学习Pillow

Pillow是Python图像处理函式库(PIL）的一个分支。Pillow提供了常见的图像读取和处理的操作，而且可以与ipython notebook无缝集成，是应用比较广泛的库。
学习pillow图像处理库：https://pillow.readthedocs.io/en/stable/

2.1.1 类–图像

python图像处理库中定义的最重要的一个类class：Image。创建该类Image的实例方法：1、从文件中加载图像 2、处理其他图像 3、从头开始创建图像 ; 类创建的称为 实例instance/对象object
例如：从文件中加载图像
使用 Image类中的open()函数：Image.open()

>>> from PIL import Image
>>> im = Image.open("hopper.ppm")
>>> print(im.format, im.size, im.mode)

该format属性标识图像的来源。如果未从文件读取图像，则将其设置为“无”。size属性是一个包含宽度和高度（以像素为单位）的2 元组。该 mode属性定义图像中条带的数量和名称，以及像素类型和深度。常见模式是灰度图像的“ L”（亮度），真彩色图像的“ RGB”和印前图像的“ CMYK”
一旦有了Image该类的实例，就可以使用该类定义的方法来处理和操作图像

# 保存图片 Image.save()
im.save('outfile','PNG')
# 显示图片
#im.show()
# 从图像复制子矩形
box = (100, 100, 400, 400)
region = im.crop(box)
# 几何变换
out = im.resize((256, 256))
out.show()
out = im.rotate(45) # degrees counter-clockwise
out.show()
# 过滤器
from PIL import ImageFilter
out = out.filter(ImageFilter.DETAIL)
out.show()

2.2 OpenCV-python库

OpenCV是一个跨平台的计算机视觉库，最早由Intel开源得来。OpenCV发展的非常早，拥有众多的计算机视觉、数字图像处理和机器视觉等功能。OpenCV基本上就是两种版本：OpenCV-python OpenCV-C++
示例：

# 导入cv库
import cv2 as cv 
img=cv.imread('cat.jpg')
# Opencv默认颜色通道顺序是BRG，转换一下
img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
# 转换为灰度图
#img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 显示图像
cv.imshow('gray',img)
# Canny边缘检测
edges = cv2.Canny(img, 30, 70)
cv2.imwrite('canny.jpg', edges) # 另保存图片

官方学习资料：https://opencv.org/ https://docs.opencv.org/master/d9/df8/tutorial_root.html
别人的博客或者网站资料：

3 数据扩增方法

在赛题中我们需要对的图像进行字符识别，因此需要我们完成的数据的读取操作，同时也需要完成数据扩增（Data Augmentation）操作。

3.1 数据扩增介绍

在深度学习中数据扩增方法非常重要，数据扩增可以增加训练集的样本，同时也可以有效缓解模型过拟合的情况，也可以给模型带来的更强的泛化能力。
例如：其中一个数据扩增的例子

在深度学习模型的训练过程中，数据扩增是必不可少的环节。现有深度学习的参数非常多，一般的模型可训练的参数量基本上都是万到百万级别，而训练集样本的数量很难有这么多。

3.2 数据扩增方法

数据扩增方法有很多：从颜色空间、尺度空间到样本空间，同时根据不同任务数据扩增都有相应的区别。
对于图像分类，数据扩增一般不会改变标签；对于物体检测，数据扩增会改变物体坐标位置；对于图像分割，数据扩增会改变像素标签。

3.3 常用的数据扩增函数

对于图像数据常用到的数据扩增方法：图像颜色、尺寸、形态、空间和像素等角度进行变换。并且不同的数据扩增方法可以自由进行组合，得到更加丰富的数据扩增方法。

3.3.1 以torchvision为例，常见的数据扩增方法包括：

transforms.CenterCrop 对图片中心进行裁剪
transforms.ColorJitter 对图像颜色的对比度、饱和度和零度进行变换
transforms.FiveCrop 对图像四个角和中心进行裁剪得到五分图像
transforms.Grayscale 对图像进行灰度变换
transforms.Pad 使用固定值进行像素填充
transforms.RandomAffine 随机仿射变换
transforms.RandomCrop 随机区域裁剪
transforms.RandomHorizontalFlip 随机水平翻转
transforms.RandomRotation 随机旋转
transforms.RandomVerticalFlip 随机垂直翻转
** 但对于本次赛题中，赛题任务是需要对图像中的字符进行识别，因此对于字符图片并不能进行翻转操作。比如字符6经过水平翻转就变成了字符9，会改变字符原本的含义**

3.4 常用数据扩增库

torchvision：https://github.com/pytorch/vision pytorch官方提供的数据扩增库，提供了基本的数据数据扩增方法，可以无缝与torch进行集成；但数据扩增方法种类较少，且速度中等；
imgaug: https://github.com/aleju/imgaug imgaug是常用的第三方数据扩增库，提供了多样的数据扩增方法，且组合起来非常方便，速度较快；
albumentations: https://albumentations.readthedocs.io 是常用的第三方数据扩增库，提供了多样的数据扩增方法，对图像分类、语义分割、物体检测和关键点检测都支持，速度较快。

4 使用pytorch读取数据

主要是写 数据批量读取接口。代码还是没有撸懂