Kaggle踩坑指南--1. 数据集的读取和图像预处理

新建的kaggle如下图所示，点击上方的 add data, 即可搜索并添加想使用的数据集，新添加的数据集会放入input文件夹下。

在kaggle训练的数据集都是在线添加，如果想要训练自己的数据集，需要上传数据集，但是这需要翻（你懂的。。。）。此处以猫狗数据集为例。

一、文件夹读取的路径问题

需要特别注意的是，添加到input后显示的文件路径可能和实际的文件路径不一致，比如这个猫狗数据集的input中显示如下，是/input/Cat and Dog/，但实际上的路径是/input/cat-and-dog/， 如果输错路径会导致数据无法读取

这里介绍两种方法：

1. 使用新建kaggle时自带的代码

import os
for dirname, _, filenames in os.walk('/kaggle/input'):
    for filename in filenames:
        print(os.path.join(dirname, filename))

输出如下：

2. 迭代输出子文件/夹名称

#查找路径
import pathlib
train_image = pathlib.Path('/kaggle/input/')
for item in train_image.iterdir():
    print(item)

输出如下：

二、读取图像的路径问题

1. 获取图像全部路径

若想要读取train_set或test_set数据集下的所有图片的路径，可以采用glob。但是有可能出现路径前方有PosixPath(据说是系统的缘故)，因此还需要对路径进行转换处理。此外，对于深度学习网络而言，最好对图像进行乱序处理。以train_set为例，整体代码如下：

import random
import pathlib
import glob
train_images = pathlib.Path('/kaggle/input/cat-and-dog/training_set/training_set/')
train_images=list(train_images.glob('*/*.jpg'))
train_images= [str(path) for path in train_images]  #去掉PosixPath
random.shuffle(train_images) #乱序

2. 根据图像路径制作labels

分类一般可分为：二分类或者多分类。

1> 二分类

分析路径
以猫狗数据集为例，分析二分类问题。猫狗数据集的路径为：
‘/kaggle/input/cat-and-dog/training_set/training_set/cats/cat.4942.jpg’,
其中, 标签cat在图片名称中，可通过split进行提取。

train_labels = list(map(lambda x: float(x.split('/')[7].split('.')[0] == 'cat'), train_images))

lambda的详情可参考：关于Python中的lambda，这篇阅读量10万+的文章可能是你见过的最完整的讲解
此处lambda与map合用相当于：lambda函数用于指定对列表train_images中每一个元素的共同操作
若==成立，表示当前标签为cat，label=1； 若当前标签为dog，则label=0。

2> 多分类

对于多分类的数据集，需要先构建标签类别名称，在对标签类别名称进行编码，最后通过已有的编码字典，制作所有图像的labels。

data_root='/kaggle/input/cat-and-dog/training_set/training_set/'
label_names = sorted(item.name for item in data_root.glob('*/') if item.is_dir()) #sorted根据首字母排序， is_dir()检测是否为一个目录
label_to_index = dict((name, index) for index,name in enumerate(label_names)) #编码
all_image_labels = [label_to_index[pathlib.Path(path).parent.name] for path in all_image_paths] #列表推导式

最后，可将获得的图像路径和labels转成tensorflow中的格式，并合在一个数据集中。

train_dataset = tf.data.Dataset.from_tensor_slices((train_images,train_labels))

二、图像预处理

def _pre_read(img_filename, label):
    image = tf.io.read_file(img_filename)
    image = tf.image.decode_jpeg(image,channels=3)
    image = tf.image.rgb_to_grayscale(image)
    image = tf.image.resize(image,[200,200])
    image = tf.reshape(image,[200,200,1])
    image = tf.image.per_image_standardization(image) #或者：image = image/255
    label = tf.reshape(label,[1])
    return image, label
    
BATCH_SIZE = 32
train_dataset = train_dataset.map(_pre_read)
train_dataset = train_dataset.shuffle(300)
train_dataset = train_dataset.repeat()
train_dataset = train_dataset.batch(BATCH_SIZE)

其中，shuffle的作用是使训练数据乱序，且这里repeat是重复乱序，即每次训练都会乱序抽取图像。
举个栗子：
设10000个训练样本, BATCH_SIZE = 32，
则steps_per_epoch = train_count//BATCH_SIZE= 10000/32= 310,
将前300个小组输入到buffer里，
当调用dataset时, 从buffer中随机选择一个小组；
然后从原数据集剩余的小组(10个)中随机选择一个小组, 填补到buffer中目前空缺的那个位置
配图食用，效果更佳：tf.data.Dataset.shuffle(buffer_size)中buffer_size的理解