《昇思25天学习打卡营第03天|lulul》
数据集 Dataset
数据是深度学习的基础,高质量的数据输入将在整个深度神经网络中起到积极作用。MindSpore提供基于Pipeline的数据引擎,通过数据集(Dataset)和数据变换(Transforms)实现高效的数据预处理。
数据加载和迭代
# Download data from open datasets
from download import download
url = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/" \
"notebook/datasets/MNIST_Data.zip"
path = download(url, "./", kind="zip", replace=True)
通过指定url的方式对数据进行下载
train_dataset = MnistDataset("MNIST_Data/train", shuffle=False)
test_dataset = MnistDataset('MNIST_Data/test')
加载训练集和测试集
数据迭代:
def visualize(dataset):
figure = plt.figure(figsize=(4, 4)) # 使用plt.figure创建一个新图像,大小为 4x4 英寸。
cols, rows = 3, 3 # 定义网格的列数和行数,每个值为 3,即网格是 3x3 的布局。
plt.subplots_adjust(wspace=0.5, hspace=0.5) # wspace设置子图之间的水平间距,hspace设置子图之间的垂直间距。
# 使用 enumerate 函数迭代数据集中的图像和标签对。dataset.create_tuple_iterator() 返回一个可迭代对象,每次迭代返回一个图像和一个标签。
for idx, (image, label) in enumerate(dataset.create_tuple_iterator()):
figure.add_subplot(rows, cols, idx + 1) # 使用 add_subplot 方法向图像画布中添加一个子图。子图的位置由 rows、cols 和 idx + 1 决定。
plt.title(int(label)) # 使用 plt.title 设置子图的标题为标签值。
plt.axis("off") # 使用 plt.axis("off") 关闭子图的坐标轴显示。
plt.imshow(image.asnumpy().squeeze(), cmap="gray") # 使用 plt.imshow 显示图像。image.asnumpy().squeeze() 将图像张量转换为 NumPy 数组并去除多余的维度,cmap="gray" 指定使用灰度颜色映射。
if idx == cols * rows - 1: # 如果已经显示了 9 张图像(3x3 的网格),则终止循环。
break
plt.show()
数据集常用操作
- shuffle
数据集随机shuffle可以消除数据排列造成的分布不均问题
mindspore中通过dataset.shuffle的方式对数据进行处理,或者在加载数据集时指定shuffle=True
train_dataset = train_dataset.shuffle(buffer_size=64)
- map
map操作是数据预处理的关键操作,可以针对数据集指定列(column)添加数据变换(Transforms),将数据变换应用于该列数据的每个元素,并返回包含变换后元素的新数据集。
image, label = next(train_dataset.create_tuple_iterator())
print(image.shape, image.dtype)
- batch
将数据集打包为固定大小的batch是在有限硬件资源下使用梯度下降进行模型优化的折中方法,可以保证梯度下降的随机性和优化计算量。(模型训练都要打包为batch数据进行处理)
train_dataset = train_dataset.batch(batch_size=32)
经典打卡环节: