昇思25天学习打卡营第13天| 数据变换 Transforms

IT专业入门，高考假期预习指南

七月来临，各省高考分数已揭榜完成。而高考的完结并不意味着学习的结束，而是新旅程的开始。对于有志于踏入IT领域的高考少年们，这个假期是开启探索IT世界的绝佳时机。作为该领域的前行者和经验前辈，你是否愿意为准新生们提供一份全面的学习路线图呢？快来分享自己的学习心得和实战经验，来为这批新生提供宝贵的第一手资料吧！结合自己的实际，提供一份专属预习指南，帮助少年们为未来的IT学习和职业生涯打下坚实基础，开启一段挑战与机遇并存的暑期学习之旅吧！

        在上一篇博客中，我介绍了如何使用MindSpore构建一个简单的神经网络模型，帮助大家初步了解了深度学习的基础知识和实践方法。相信大家已经对神经网络的构建有了一定的理解。这次，我将继续深入，介绍数据变换（Transforms），这是数据预处理的关键步骤。

        在开始之前，我想强调一下，不管在什么阶段，假期都是成长的绝好时机。利用好假期，不仅可以为即将开始的大学生活和未来的职业生涯做好准备，还能够在实际操作中收获很多经验和知识。

        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。

环境配置

!pip uninstall mindspore -y
!pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.2.14

导入模块

import numpy as np
from PIL import Image
from download import download
from mindspore.dataset import transforms, vision, text
from mindspore.dataset import GeneratorDataset, MnistDataset

Common Transforms

mindspore.dataset.transforms模块支持一系列通用Transforms。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。

# 从公开数据集中下载数据
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')

image, label = next(train_dataset.create_tuple_iterator())
print(image.shape)  # (28, 28, 1)

# 使用Compose组合多个变换操作
composed = transforms.Compose(
    [
        vision.Rescale(1.0 / 255.0, 0),  # 缩放像素值
        vision.Normalize(mean=(0.1307,), std=(0.3081,)),  # 归一化
        vision.HWC2CHW()  # 转换图像格式
    ]
)
train_dataset = train_dataset.map(composed, 'image')
image, label = next(train_dataset.create_tuple_iterator())
print(image.shape)  # (1, 28, 28)

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。

# 随机生成一个像素值在[0, 255]的图像
random_np = np.random.randint(0, 255, (48, 48), np.uint8)
random_image = Image.fromarray(random_np)
print(random_np)

# 实例化Rescale对象并进行像素值缩放
rescale = vision.Rescale(1.0 / 255.0, 0)
rescaled_image = rescale(random_image)
print(rescaled_image)

Normalize

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：输入图像的格式。True为(height, width, channel)，False为(channel, height, width)。

# 实例化Normalize对象并进行归一化处理
normalize = vision.Normalize(mean=(0.1307,), std=(0.3081,))
normalized_image = normalize(rescaled_image)
print(normalized_image)

HWC2CHW

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。

# 将normalized_image处理为HWC格式，然后进行转换
hwc_image = np.expand_dims(normalized_image, -1)
hwc2chw = vision.HWC2CHW()
chw_image = hwc2chw(hwc_image)
print(hwc_image.shape, chw_image.shape)  # (48, 48, 1) (1, 48, 48)

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。

# 定义三段文本，作为待处理的数据，并使用GeneratorDataset进行加载
texts = ['Welcome to Beijing']
test_dataset = GeneratorDataset(texts, 'text')

# 定义分词函数，并通过map方法将其应用到输入的文本中
def my_tokenizer(content):
    return content.split()

test_dataset = test_dataset.map(text.PythonTokenizer(my_tokenizer))
print(next(test_dataset.create_tuple_iterator()))  # ['Welcome', 'to', 'Beijing']

# 使用Vocab.from_dataset方法从数据集中生成词表
vocab = text.Vocab.from_dataset(test_dataset)
print(vocab.vocab())  # {'to': 2, 'Beijing': 0, 'Welcome': 1}

# 使用Lookup将Token转为Index
test_dataset = test_dataset.map(text.Lookup(vocab))
print(next(test_dataset.create_tuple_iterator()))  # [1, 2, 0]

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。在这里，我们首先使用一个简单的Lambda函数，对输入数据乘2：

# 使用Lambda函数对输入数据乘2
test_dataset = GeneratorDataset([1, 2, 3], 'data', shuffle=False)
test_dataset = test_dataset.map(lambda x: x * 2)
print(list(test_dataset.create_tuple_iterator()))  # [2, 4, 6]

定义复杂函数

# 定义较复杂的函数，并配合Lambda函数进行数据处理
def func(x):
    return x * x + 2

test_dataset = test_dataset.map(lambda x: func(x))
print(list(test_dataset.create_tuple_iterator()))  # [6, 18, 38]

结果：

学习心得：

        通过对数据变换的学习和实践，相信大家对如何在深度学习项目中进行数据预处理有了更深的理解。希望这份指南能够帮助高考完的准大学生们在暑假期间对IT专业有更深入的认识，并为未来的学习和职业生涯打下坚实的基础。

        接下来，我们还将介绍其他与IT专业相关的重要内容和实用技巧，帮助大家全面提升自己的知识和技能。敬请期待！