pytorch数据预处理

DataLoader

from torch.utils.data.dataset import Dataset
from torch.utils.data import DataLoader
data_loader = DataLoader(dataset,batch_size=batch_size,shuffle=True)

上面的DataLoader加载dataset的代码相当于如下

dataset=UnetDataset(data_path)	# 继承自Dataset
dataset[0]	# 迭代，接下来调用dataset[1], [2], [3], ...

其中每一次对象名加中括号的方式dataset[0]是调用一次dataset对象的__getitem__()方法

Transform

from torchvision import transforms
from PIL import Image
transforms=transforms.Compose([transforms.ToTensor(),transforms.Normalize()])

transforms(image),transforms(label_image)

transforms专门对image图片进行处理，而上述代码即对image和label_image两个图片对象进行ToTensor()和Normalize()处理。其中使用对象名加小括号的方法transforms(image)是调用一次transforms对象的call()函数，上述方法同transforms.call(image)。

transforms.call(image)
transforms=transforms.Compose([transforms.ToTensor()(image)])
transforms=transforms.Compose([transforms.ToTensor().call(image)])

argparse 用法

argparse主要有两个作用，一个是生成字典，如parser.add_argument("--data-path", default="./", help="DRIVE root")就是生成key = "--data-path", value = "./"的键值对。

还有一个作用就是作为terminal中的参数传入，如上所示为python test.py --data-path="./"

import argparse

parser = argparse.ArgumentParser(description="pytorch unet training")
parser.add_argument("--data-path", default="./", help="DRIVE root")
# 将parser转换为字典返回
args = parser.parse_args()
return args

数据预处理

你可以在重现Dataset的__getitem__()方法，或者transforms的列表中添加参数来达到数据域处理的效果。