目录
pytorch中提供两个处理数据的 torch.utils.data.DataLoader 和 torch.utils.data.Dataset
Dataset 中有数据集和相应的标签,可进行下载;DataLoader 用于访问数据
数据集有三大类 Image Datasets, Text Datasets, and Audio Datasets
一、下载数据集和对应标签
以TorchVision下面的Fashion-MNIST为例,该数据集有60000训练样本,10000测试样本,为28X28的灰度图,有10个标签。
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()
)
下面详解这四个参数
-
root
数据存储路径 -
train
指定训练集和测试集 -
download=True
如果 root 没找到,在线下载 -
transform
andtarget_transform
指定特征和标签转换
二、数据的迭代和可视化
可通过索引获得数据和标签,本文即img,label
此处用matplotlib可视化
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()
三、自定义数据集类
自定义数据集类必须实现三个函数:__init__、__len__和__getitem__。
FashionMNIST图像存储在目录img_dir中,它们的标签分别存储在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):
'''
初始化包含图像、注释文件和两者转换
'''
#此处用pandas读入csv文件,也可用其他的
self.img_labels = pd.read_csv(annotations_file)
self.img_dir = img_dir
self.transform = transform
self.target_transform = target_transform
def __len__(self):
'''
返回:数据集中的样本数
'''
return len(self.img_labels)
def __getitem__(self, idx):
'''
输入:索引
返回:数据集和标签
'''
img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])#索引图像在磁盘上的位置
image = read_image(img_path)#转换为tensor
label = self.img_labels.iloc[idx, 1]#取出对应标签
if self.transform:
image = self.transform(image)
if self.target_transform:
label = self.target_transform(label)
return image, label
四、 DataLoader
Dataset 一次取一个样本。我们通常希望用小的batch传输数据,在每次epoch打乱数据来防止过拟合,用 multiprocessing 加快检索。DataLoader 恰好能做到这些。
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)
用DataLoader迭代
# 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}")