Pytorch官网教程:https://pytorch.org/tutorials/
主要内容:
1.从torchvision中加载数据集
2.自定义的数据集
3.DataLoader的使用
1.从torchvison中加载数据集
首先介绍一下torchvision,专门用来处理图像,通常应用于计算机视觉领域。常用的三个包:models(提供训练好的网络模型)、datasets(提供常用的图片数据集以及加载数据集的常用方法)、transforms(提供常见的图像转换操作)
更详细可见官网或PyTorch:Torchvision的简单介绍与使用
下面举例从torchvision中加载Fashion-MNIST数据集,难度不大,看注释即可。
import torch
from torchvision import datasets
from torchvision.transforms import ToTensor # 图像变换包
import matplotlib.pyplot as plt
training_data = datasets.FashionMNIST(
root="data", # root定义的参数为训练集或测试集存放的根目录
train=True, # True为训练集,False为测试集
download=True, # True为从互联网上下载数据如果root中没有
transform=ToTensor() # 使用torchvison中定义的类对输入图片进行变换,输入的图片是PIL image类型
)
test_data = datasets.FashionMNIST(
root="data",
train=False,
download=True,
transform=ToTensor()
)
# Iterating and Visualizing the Dataset
labels_map = {
0: "T-Shirt",
1: "Trouser",
2: "Pullover",
3: "Dress",
4: "Coat",
5: "Sandal",
6: "Shirt",
7: "Sneaker",
8: "Bag",
9: "Ankle Boot",
}
figure = plt.figure(figsize=(8, 8))
cols, rows = 3, 3
for i in range(1, cols * rows + 1): # 1~9
sample_idx = torch.randint(len(training_data), size=(1,)).item() # 随机生成样本索引值,item()把将张量转化为标量
img, label = training_data[sample_idx]
figure.add_subplot(rows, cols, i)
plt.title(labels_map[label])
plt.axis("off")
# 原始图片大小 [1,28,28]
plt.imshow(img.squeeze(), cmap="gray") # img.squeeze()去掉为1的维度,显示灰度图像
plt.show()
2.自定义的数据集
torch.utils.data.Dataset方法可以通过创建Dataset类功能的子类来创建自定义数据集。
但必须覆盖__len__和__getitem__。
# Creating a Custom Dataset for your files
import os
import pandas as pd
from torch.utils.data import Dataset
from torchvision.io import read_image
class CustomImageDataset(Dataset): # 继承torch.utils.data.Dataset
def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
self.img_labels = pd.read_csv(annotations_file) # 标签
self.img_dir = img_dir # 图片
self.transform = transform
self.target_transform = target_transform
def __len__(self):
return len(self.img_labels)
def __getitem__(self, idx):
img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0]) # 衔接图像路径
image = read_image(img_path) #获取图片
label = self.img_labels.iloc[idx, 1] # 对应标签
if self.transform:
image = self.transform(image)
if self.target_transform:
label = self.target_transform(label)
return image, label
自定义的数据集CustomImageDataset继承自torch.utils.data.Dataset。
__init__方法:主要工作是初始化类的一些函数和参数,以便在__getitem__中使用。
制作__getitem__函数所要用到的图片和对应标签的list。
__len__方法:返回数据集大小
__getitem__方法:读数据、预处理数据(例如torchvision.transform)、返回图像和标签
如果没有理解,有完整实例:PyTorch基础-自定义数据集和数据加载器(2)
3.DataLoader的使用
使用DataLoader准备训练的数据
# Preparing your data for training with DataLoaders
from torch.utils.data import DataLoader
train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)
# batch_size为64,一次处理一批64张图像以及对应的标签数据 # shuffle 数据洗牌
使用DataLoader进行迭代
# Iterate through the DataLoader
# Display image and label.
train_features, train_labels = next(iter(train_dataloader)) # iter()返回一个代表数据流的对象 next()获取数据流的下一个元素
print(f"Feature batch shape: {train_features.size()}") # [64,1,28,28]
print(f"Labels batch shape: {train_labels.size()}") #[64]
img = train_features[0].squeeze() # 删除第一行数据中的一维维度
label = train_labels[0] # 获取对应标签
plt.imshow(img, cmap="gray") # 显示灰度图像
plt.show()
print(f"Label: {label}")
张量中包含图像数据的每个维度的大小由以下每个值定义:(批量大小,颜色通道数,图像高度,图像宽度)