昇思25天学习打卡营第04天|数据变换 Transforms

最新推荐文章于 2024-07-19 15:16:23 发布

~提线木偶

最新推荐文章于 2024-07-19 15:16:23 发布

阅读量828

点赞数 29

分类专栏：昇思大模型学习训练营文章标签：学习

本文链接：https://blog.csdn.net/qq_43759478/article/details/140495801

版权

昇思大模型学习训练营专栏收录该内容

4 篇文章 0 订阅

订阅专栏

在这里插入图片描述

一、什么是数据变换 Transforms ？

通常情况下，直接加载的原始数据并不能直接送入神经网络进行训练，此时我们需要对其进行数据预处理。MindSpore提供不同种类的数据变换（Transforms），配合数据处理Pipeline来实现数据预处理。所有的Transforms均可通过map方法传入，实现对指定数据列的处理。

mindspore.dataset提供了面向图像、文本、音频等不同数据类型的Transforms，同时也支持使用Lambda函数。下面分别对其进行介绍。

环境准备：

%%capture captured_output
# 实验环境已经预装了mindspore==2.2.14，如需更换mindspore版本，可更改下面mindspore的版本号
!pip uninstall mindspore -y
!pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.2.14

import numpy as np
from PIL import Image
from download import download
from mindspore.dataset import transforms, vision, text
from mindspore.dataset import GeneratorDataset, MnistDataset

二、Common Transforms

mindspore.dataset.transforms模块支持一系列通用Transforms。这里我们以Compose为例，介绍其使用方式。

Compose

Compose接收一个数据增强操作序列，然后将其组合成单个数据增强操作。我们仍基于Mnist数据集呈现Transforms的应用效果。

下载数据集：

# Download data from open datasets
url = "https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/" \
      "notebook/datasets/MNIST_Data.zip"
path = download(url, "./", kind="zip", replace=True)

train_dataset = MnistDataset('MNIST_Data/train')

在这里插入图片描述

image, label = next(train_dataset.create_tuple_iterator())
print(image.shape)

输出：

# 图像的高度和宽度都是28像素 并且他是一个灰度图
(28, 28, 1)

在这段代码中，train_dataset.create_tuple_iterator() 被用来创建一个迭代器，该迭代器从训练数据集
train_dataset 中逐个提取图像和标签的元组。然后，使用 next() 函数从迭代器中获取下一个元组，这个元组被解包为 image和 label。这里，image 代表了一个图像数据，而 label 是与该图像对应的标签或类别。

print(image.shape) 这行代码用于打印出图像数据的形状（shape）。图像的形状通常由其高度（height）、宽度（width）和颜色通道数（channels）决定。对于灰度图像，颜色通道数为1；对于RGB彩色图像，颜色通道数为3。

例如，如果输出是 (224, 224, 3)，那么这意味着图像的高度和宽度都是224像素，并且它是一个RGB彩色图像（因为有3个颜色通道）。

这个输出对于理解数据集中图像的尺寸和类型非常有用，特别是在进行图像预处理或模型训练时，确保输入数据的尺寸与模型期望的输入尺寸相匹配。

# 定义一个数组增强操作
composed = transforms.Compose(
    [
        vision.Rescale(1.0 / 255.0, 0),
        vision.Normalize(mean=(0.1307,), std=(0.3081,)),
        vision.HWC2CHW()
    ]
   )

# 使用上面定义的 composed 对数据集进行变换
train_dataset = train_dataset.map(composed, 'image')
image, label = next(train_dataset.create_tuple_iterator())
print(image.shape)

输出：

# 可以看到转换前后的图像格式已经发生了变化 转化前为(height, width, channel)，转化后为(channel, height, width )
(1, 28, 28)

三、Vision Transforms

mindspore.dataset.vision模块提供一系列针对图像数据的Transforms。在Mnist数据处理过程中，使用了Rescale、Normalize和HWC2CHW变换。下面对其进行详述。

3.1 Rescale

Rescale变换用于调整图像像素值的大小，包括两个参数：

rescale：缩放因子。
shift：平移因子。图像的每个像素将根据这两个参数进行调整，输出的像素值为
𝑜𝑢𝑡𝑝𝑢𝑡𝑖=𝑖𝑛𝑝𝑢𝑡𝑖∗𝑟𝑒𝑠𝑐𝑎𝑙𝑒+𝑠ℎ𝑖𝑓𝑡 。

这里我们先使用numpy随机生成一个像素值在[0, 255]的图像，将其像素值进行缩放。

使用 NumPy 的 random.randint 函数生成了一个 48x48 的随机整数数组 random_np，这些整数的范围是从 0到 2555

random_np = np.random.randint(0, 255, (48, 48), np.uint8)
random_image = Image.fromarray(random_np)
print(random_np)
print(random_np.shape)

输出：

# 数组中每个元素的取值范围都在0-255
[[ 32 218  60 ... 216  84  58]
 [ 57  59  58 ... 186 250 120]
 [228  75 188 ... 142 103  38]
 ...
 [199 193 216 ... 209 130  24]
 [250  76 222 ...   8 209  87]
 [206  60  16 ...  37  79 103]]
 # 数组的shape是48行48列
(48, 48)

为了更直观地呈现Transform前后的数据对比，我们使用Transforms的Eager模式进行演示。首先实例化Transform对象，然后调用对象进行数据处理。

Rescale函数的两个参数

1.0 / 255.0：这个值用作归一化的比例因子。图像数据通常以像素值的形式存储，其范围通常是 0 到 255（对于 8 位深度的图像）。通过将每个像素值除以 255，我们可以将这个范围转换为 0 到 1
的浮点数范围。这样做有助于改善模型的训练过程，因为许多机器学习算法和深度学习模型在处理小数值时表现更好。
0：这个参数通常指定了归一化后的最小值。在这个例子中，由于我们使用了 1.0 / 255.0 作为比例因子，并且原始像素值的最小值是0，因此归一化后的最小值仍然是 0（0 * (1.0 / 255.0) = 0）。然而，在某些情况下，这个参数可能允许你指定一个非零的最小值，但这取决于 Rescale 函数的具体实现。

rescale = vision.Rescale(1.0 / 255.0, 0)
rescaled_image = rescale(random_image)
print(rescaled_image)

输出：

[[0.1254902  0.854902   0.23529413 ... 0.8470589  0.32941177 0.227451  ]
 [0.22352943 0.23137257 0.227451   ... 0.7294118  0.9803922  0.47058827]
 [0.8941177  0.29411766 0.7372549  ... 0.5568628  0.4039216  0.14901961]
 ...
 [0.7803922  0.7568628  0.8470589  ... 0.8196079  0.50980395 0.09411766]
 [0.9803922  0.29803923 0.8705883  ... 0.03137255 0.8196079  0.34117648]
 [0.8078432  0.23529413 0.0627451  ... 0.14509805 0.30980393 0.4039216 ]]

可以看到，使用Rescale后的每个像素值都进行了缩放。

3.2 Normalize

Normalize变换用于对输入图像的归一化，包括三个参数：

mean：图像每个通道的均值。
std：图像每个通道的标准差。
is_hwc：bool值，输入图像的格式。True为(height,width, channel)，False为(channel, height, width)。
图像的每个通道将根据mean和std进行调整，计算公式为
𝑜𝑢𝑡𝑝𝑢𝑡𝑐=𝑖𝑛𝑝𝑢𝑡𝑐−𝑚𝑒𝑎𝑛𝑐𝑠𝑡𝑑𝑐 ，其中 𝑐 代表通道索引。

# 这里我就有点看不懂了，以后懂了再补充注释
normalize = vision.Normalize(mean=(0.1307,), std=(0.3081,))
normalized_image = normalize(rescaled_image)
print(normalized_image)

输出：

[[-0.01690946  2.3505423   0.33948112 ...  2.3250859   0.64495873
   0.31402466]
 [ 0.3012964   0.32675287  0.31402466 ...  1.9432386   2.7578456
   1.1031753 ]
 [ 2.4778247   0.5304046   1.968695   ...  1.3831964   0.8867953
   0.05945994]
 ...
 [ 2.1087058   2.0323365   2.3250859  ...  2.2359881   1.2304575
  -0.11873532]
 [ 2.7578456   0.54313284  2.4014552  ... -0.3223871   2.2359881
   0.6831434 ]
 [ 2.1978035   0.33948112 -0.2205612  ...  0.04673171  0.58131754
   0.8867953 ]]

3.3 HWC2CHW

HWC2CHW变换用于转换图像格式。在不同的硬件设备中可能会对(height, width, channel)或(channel, height, width)两种不同格式有针对性优化。MindSpore设置HWC为默认图像格式，在有CHW格式需求时，可使用该变换进行处理。

这里我们先将前文中normalized_image处理为HWC格式，然后进行转换。可以看到转换前后的shape发生了变化。

hwc_image = np.expand_dims(normalized_image, -1)
hwc2chw = vision.HWC2CHW()
chw_image = hwc2chw(hwc_image)
print(hwc_image.shape, chw_image.shape)

输出：

(48, 48, 1) (1, 48, 48)

更多Vision Transforms详见mindspore.dataset.vision。

四、Text Transforms

mindspore.dataset.text模块提供一系列针对文本数据的Transforms。与图像数据不同，文本数据需要有分词（Tokenize）、构建词表、Token转Index等操作。这里简单介绍其使用方法。

首先我们定义三段文本，作为待处理的数据，并使用GeneratorDataset进行加载。

# 定义文本
texts = ['Welcome to Beijing']
# 使用GeneratorDataset 加载文本
test_dataset = GeneratorDataset(texts, 'text')

4.1 PythonTokenizer(分词)

分词（Tokenize）操作是文本数据的基础处理方法，MindSpore提供多种不同的Tokenizer。这里我们选择基础的PythonTokenizer举例，此Tokenizer允许用户自由实现分词策略。随后我们利用map操作将此分词器应用到输入的文本中，对其进行分词。

# 定义一个简单的分词函数 split函数不传递任何参数时，默认根据任何空白字符（包括空格、换行符 \n、制表符 \t、回车符 \r 等）来分割字符串
def my_tokenizer(content):
    return content.split()

test_dataset = test_dataset.map(text.PythonTokenizer(my_tokenizer))
print(next(test_dataset.create_tuple_iterator()))

4.2 Lookup

Lookup为词表映射变换，用来将Token转换为Index。在使用Lookup前，需要构造词表，一般可以加载已有的词表，或使用Vocab生成词表。这里我们选择使用Vocab.from_dataset方法从数据集中生成词表。

# 获取词表
vocab = text.Vocab.from_dataset(test_dataset)

# 使用vocab方法查看词表
print(vocab.vocab())

输出：

{'to': 2, 'Welcome': 1, 'Beijing': 0}

生成词表后，可以配合map方法进行词表映射变换，将Token转为Index。

test_dataset = test_dataset.map(text.Lookup(vocab))
print(next(test_dataset.create_tuple_iterator()))

输出：

[Tensor(shape=[3], dtype=Int32, value= [1, 2, 0])]

更多Text Transforms详见mindspore.dataset.text。

五、Lambda Transforms

Lambda函数是一种不需要名字、由一个单独表达式组成的匿名函数，表达式会在调用时被求值。Lambda Transforms可以加载任意定义的Lambda函数，提供足够的灵活度。在这里，我们首先使用一个简单的Lambda函数，对输入数据乘2：

test_dataset = GeneratorDataset([1, 2, 3], 'data', shuffle=False)
test_dataset = test_dataset.map(lambda x: x * 2)
print(list(test_dataset.create_tuple_iterator()))

输出：

# 由结果可以得知，经过Lambda函数处理之后，数据集中每一个元素的值都*2，由 1，2，3变为 2，4，6
[[Tensor(shape=[], dtype=Int64, value= 2)], [Tensor(shape=[], dtype=Int64, value= 4)], [Tensor(shape=[], dtype=Int64, value= 6)]]

可以看到map传入Lambda函数后，迭代获得数据进行了乘2操作。

我们也可以定义较复杂的函数，配合Lambda函数实现复杂数据处理：

# 定义一个函数，传入的每个参数都返回该参数的平方再加2
def func(x):
    return x * x + 2

# 数据集中的每个参数都经过自定义函数处理
test_dataset = test_dataset.map(lambda x: func(x))

print(list(test_dataset.create_tuple_iterator()))

输出：

[[Tensor(shape=[], dtype=Int64, value= 6)], [Tensor(shape=[], dtype=Int64, value= 18)], [Tensor(shape=[], dtype=Int64, value= 38)]]

通过上面的结果可以很清楚的看出来，传入的数据集经过上一个Lambda表达式处理之后变为 2,4,6
经过自定义函数处理之后变为

2*2+2=6
4*4+2=18
6*6+2=38

~提线木偶

关注

29
点赞
踩
20

收藏

觉得还不错? 一键收藏
0
评论
昇思25天学习打卡营第04天|数据变换 Transforms

通常情况下，直接加载的原始数据并不能直接送入神经网络进行训练，此时我们需要对其进行数据预处理。MindSpore提供不同种类的数据变换（Transforms），配合数据处理Pipeline来实现数据预处理。所有的Transforms均可通过map方法传入，实现对指定数据列的处理。提供了面向图像、文本、音频等不同数据类型的Transforms，同时也支持使用Lambda函数。下面分别对其进行介绍。
复制链接

扫一扫