Pytorch官方文档学习笔记 —— 2. Datasets & DataLoaders & Transforms

目录

1. 加载数据集

2. 迭代和可视化数据集

3. 创建自定义数据集

3.1 __init__

3.2 __len__

3.3 __getitem__

4. 使用 DataLoaders 为训练准备数据

5. 遍历 DataLoader

6. Transforms

6.1 ToTensor()

6.2 Lambda Transforms

---

        PyTorch提供了两个数据原语允许您使用预加载的数据和您自己的数据：torch.utils.data.DataLoader 和 torch.utils.data.Dataset 。

        PyTorch域库提供了许多预加载的数据集（例如 FashionMNIST），这些数据集是 torch.utils.data.Dataset 的子类，并对于特定数据实现了特定的功能。它们可用于对您的模型进行原型设计和基准测试。可以在此处找到它们：图像数据集、文本数据集和音频数据集。

1. 加载数据集

        下面以如何从 TorchVision 加载 Fashion-MNIST 数据集为例。Fashion-MNIST 由 60,000 个训练示例和 10,000 个测试示例组成。每个示例都包含 28×28 灰度图像和来自 10 个类别之一的相关标签。

我们使用以下参数加载 FashionMNIST 数据集：

• root 是存储训练/测试数据的路径
• train 指定训练或测试数据集（True表示训练数据集，False表示测试数据集）
• download=True 指如果根目录下不可用，则从 Internet 下载数据
• transform 和 target_transform 指定了特征和标签的转换。

import torch
from torch.utils.data import Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plt


training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)

2. 迭代和可视化数据集

        可以如同 list 一样手动索引 Datasets : training_data[index]。我们使用 matplotlib 来可视化我们训练数据中的一些样本。

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):
    sample_idx = torch.randint(len(training_data), size=(1,)).item()
    img, label = training_data[sample_idx]
    figure.add_subplot(rows, cols, i)
    plt.title(labels_map[label])
    plt.axis("off")
    plt.imshow(img.squeeze(), cmap="gray")
plt.show()

3. 创建自定义数据集

        自定义数据集类必须实现三个函数：__init__、__len__ 和 __getitem__。看一下如下这个实现，FashionMNIST 图像存储在目录 img_dir 中，它们的标签存储在 CSV 文件 annotations_file 中。

        

import os
import pandas as pd
from torchvision.io import read_image

class CustomImageDataset(Dataset):
    def __init__(self, annotations_file, img_dir, 
                    transform=None, target_transform=None):
        self.img_labels = pd.read_csv(annotations_file)
        self.img_dir = img_dir
        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])
        image = read_image(img_path)
        label = self.img_labels.iloc[idx, 1]
        if self.transform:
            image = self.transform(image)
        if self.target_transform:
            label = self.target_transform(label)
        return image, label

        接下来我们将分解介绍每个部分发生了什么。

3.1 __init__

        __init__ 函数在实例化 Dataset 对象时运行一次。我们初始化了包含图像、注释文件和两种转换的目录。

3.2 __len__

        __len__ 函数返回了我们数据集中的样本数。

3.3 __getitem__

         __getitem__ 函数从给定索引 idx 的数据集中加载并返回一个样本。根据索引，它识别图像在磁盘上的位置，使用 read_image 将其转换为张量，从 self.img_labels 中的 csv 数据中检索相应的标签，调用它们的转换函数（如果适用），并返回张量图像和元组中的相应标签。

4. 使用 DataLoaders 为训练准备数据

        Dataset 每次检索一个样本的数据集特征和标签。在训练模型时，我们通常希望以“小批量”的形式传递样本，在每个 epoch 重新洗牌以减少模型过度拟合，并使用 Python 的 multiprocessing 来加速数据检索。

        DataLoader 是一个迭代器，它通过一个简单的 API 为我们抽象了这种复杂性。

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)

5. 遍历 DataLoader

        下面的每次迭代都会返回一批 train_features 和 train_labels（分别包含 batch_size=64 个特征和标签）。因为我们指定了 shuffle=True，所以在遍历所有批次之后，数据会被打乱（为了更细粒度地控制数据加载顺序，请查看 Samplers）

# Display image and label.
train_features, train_labels = next(iter(train_dataloader))
print(f"Feature batch shape: {train_features.size()}")
print(f"Labels batch shape: {train_labels.size()}")
img = train_features[0].squeeze()
label = train_labels[0]
plt.imshow(img, cmap="gray")
plt.show()
print(f"Label: {label}")


out: 
>> Feature batch shape: torch.Size([64, 1, 28, 28])
>> Labels batch shape: torch.Size([64])
>> Label: 2

6. Transforms

        数据通常不是以训练机器学习算法所需的最终处理的形式出现。我们使用 transforms 来对数据进行一些操作并使其适合训练。

        所有 TorchVision 数据集都有两个参数 —— 用于修改特征的 transform 和用于修改标签的 target_transform —— 接受包含转换逻辑的可调用对象。​​​​​​​torchvision.transforms模块提供了几个开箱即用的常用转换。

        FashionMNIST 特征是 PIL 图像格式，标签是整数。为了训练我们需要将特征作为归一化张量，并将标签作为 one-hot 编码张量。为了进行这些转换，我们使用 ToTensor 和 Lambda。

import torch
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda

ds = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor(),
    target_transform=Lambda(lambda y: 
            torch.zeros(10,dtype=torch.float).scatter_(0,torch.tensor(y),value=1)
    )
)

6.1 ToTensor()

        ToTensor 将 PIL 图像或 NumPy ndarray 转换为 FloatTensor，并在 [0., 1.] 范围内缩放图像的像素强度值。

6.2 Lambda Transforms

         Lambda 转换可使用任何用户定义的 lambda 函数。这里，我们定义了一个函数来将整数转换为 one-hot 编码张量。它首先创建一个大小为 10（我们数据集中的标签数量）的零张量，并调用 scatter_，它在标签 y 给定的索引上分配 value=1。