PyTorch翻译官网教程3-DATASETS & DATALOADERS

poorCoder_

已于 2023-06-24 22:05:55 修改

阅读量735

点赞数

于 2023-06-24 22:03:07 首次发布

本文链接：https://blog.csdn.net/poorCoder_/article/details/131367192

版权

深度学习专栏收录该内容

16 篇文章 0 订阅

订阅专栏

官网链接

Datasets & DataLoaders — PyTorch Tutorials 2.0.1+cu117 documentation

数据集和数据加载器

处理样本数据的代码可能会变得混乱并且难以维护。理想情况下，我们希望我们的数据集代码与模型训练代码解耦，以获得更好的可读性和模块化。PyTorch提供了两个数据源:torch.utils.data.DataLoader和torch.utils.data.Dataset，它们允许你使用预加载的数据集和你自己的数据集。Dataset存储样本及其相应的标签，DataLoader在Dataset之上包装一个可迭代对象，以便于访问样本。

加载数据集

下面是一个如何从TorchVision加载Fashion-MNIST数据集的示例。Fashion-MNIST是Zalando文章图像的数据集，由60,000个训练样例和10,000个测试样例组成。每个示例都包含一个28×28灰度图像和来自10个类之一的关联标签。

我们用以下参数加载FashionMNIST数据集:

root 是存储训练/测试数据的路径
train 指定训练或者测试数据集
download=True 如果在root目录下不可用，是否从互联网上下载数据
transform 和 target_transform 指定特征和标签的转换

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()
)

输出

Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz to data/FashionMNIST/raw/train-images-idx3-ubyte.gz

  0%|          | 0/26421880 [00:00<?, ?it/s]
  0%|          | 65536/26421880 [00:00<01:12, 363415.33it/s]
  1%|          | 229376/26421880 [00:00<00:38, 679946.01it/s]
  3%|2         | 753664/26421880 [00:00<00:12, 2072129.51it/s]
  7%|6         | 1802240/26421880 [00:00<00:06, 3878939.55it/s]
 16%|#6        | 4358144/26421880 [00:00<00:02, 9473273.38it/s]
 25%|##4       | 6553600/26421880 [00:00<00:01, 10918007.48it/s]
 34%|###4      | 9011200/26421880 [00:01<00:01, 14051286.10it/s]
 43%|####3     | 11370496/26421880 [00:01<00:01, 14100224.63it/s]
 52%|#####2    | 13762560/26421880 [00:01<00:00, 16167133.39it/s]
 61%|######1   | 16187392/26421880 [00:01<00:00, 15640376.47it/s]
 70%|#######   | 18612224/26421880 [00:01<00:00, 17384518.47it/s]
 80%|#######9  | 21069824/26421880 [00:01<00:00, 16443689.83it/s]
 89%|########8 | 23429120/26421880 [00:01<00:00, 17854523.89it/s]
 98%|#########8| 25952256/26421880 [00:01<00:00, 16957283.54it/s]
100%|##########| 26421880/26421880 [00:02<00:00, 13185733.62it/s]
Extracting data/FashionMNIST/raw/train-images-idx3-ubyte.gz to data/FashionMNIST/raw

Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gz to data/FashionMNIST/raw/train-labels-idx1-ubyte.gz

  0%|          | 0/29515 [00:00<?, ?it/s]
100%|##########| 29515/29515 [00:00<00:00, 327080.02it/s]
Extracting data/FashionMNIST/raw/train-labels-idx1-ubyte.gz to data/FashionMNIST/raw

Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gz to data/FashionMNIST/raw/t10k-images-idx3-ubyte.gz

  0%|          | 0/4422102 [00:00<?, ?it/s]
  1%|1         | 65536/4422102 [00:00<00:12, 361139.75it/s]
  5%|5         | 229376/4422102 [00:00<00:06, 678952.39it/s]
 19%|#9        | 851968/4422102 [00:00<00:01, 2356375.68it/s]
 44%|####3     | 1933312/4422102 [00:00<00:00, 4134961.37it/s]
100%|##########| 4422102/4422102 [00:00<00:00, 6052787.05it/s]
Extracting data/FashionMNIST/raw/t10k-images-idx3-ubyte.gz to data/FashionMNIST/raw

Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz

  0%|          | 0/5148 [00:00<?, ?it/s]
100%|##########| 5148/5148 [00:00<00:00, 43184553.98it/s]
Extracting data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw

迭代和可视化数据集

我们可以像列表一样手动索引数据集:training_data[index]。我们可以使用matplotlib来可视化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()

通过文件创建自定义数据集

自定义Dataset类必须实现三个函数:__init__， __len__和__getitem__。FashionMNIST图像存储在img_dir目录中，它们的标签单独存储在CSV文件annotations_file中。

在接下来的部分中，我们将分解这些函数中发生的事情。

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

init

__init__函数在实例化Dataset对象时运行一次。我们初始化的目录包含图像、注释文件和两个transforms（下一节将详细介绍）

label .csv文件看起来像这样：

tshirt1.jpg, 0
tshirt2.jpg, 0
......
ankleboot999.jpg, 9

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

len

__len__函数返回数据集中的样本数。

示例：

def __len__(self):
    return len(self.img_labels)

getitem

__getitem__函数使用给定的索引idx，从数据集中加载并返回一个样本。基于索引，它识别图像在磁盘上的位置，使用read_image函数将其转换为张量，从self.img_labels中的CSV数据中检索相应的标签。调用它们的transform函数（如果可用）。并在元组中返回张量图像和相应的标签。

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

使用DataLoaders准备训练数据集

Dataset每次检索我们数据集中一个样本的特征和标签。在训练模型时，我们通常希望以“小批量”的方式传递样本，在每个epoch中重新洗数据以减少模型过拟合，并使用Python的多进程来加速数据检索。

DataLoader是一个可迭代对象，它用一个简单的API为我们抽象了复杂性。

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)

遍历DataLoader

我们已经将该数据集加载到DataLoader中，并且可以根据需要迭代该数据集。每次迭代都返回一批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，将对数据进行清洗（要对数据加载顺序进行更细粒度的控制，请查看样例）

# 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}")

输出

Feature batch shape: torch.Size([64, 1, 28, 28])
Labels batch shape: torch.Size([64])
Label: 0

poorCoder_

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
PyTorch翻译官网教程3-DATASETS & DATALOADERS

自定义Dataset类必须实现三个函数:__init__， __len__和__getitem__。FashionMNIST图像存储在img_dir目录中，它们的标签单独存储在CSV文件annotations_file中。在接下来的部分中，我们将分解这些函数中发生的事情。import os。
复制链接

扫一扫