MXNet学习[4]MXNet Data Iterator

MXNet学习[4]MXNet Data Iterator

1、MXNet Data Iterator（数据迭代器）

本文先就DataBatch、DataDesc、DataIter三个主要用到的类进行介绍，然后引出Mxnet中常见的迭代器。最后介绍一种为通用数据格式设计的数据迭代器DataLoaderIter。

2、DataBatch

2.1、介绍

  MXNet中的数据迭代器Data iterator类似于Python迭代器对象。在Python中，函数iter()允许通过对可iterable对象（如Python列表）调用next（）按顺序获取item。数据迭代器提供了一个抽象接口，用于遍历各种类型的iterable集合，而无需公开底层数据源的详细信息。
在数据流结束时，当没有更多的数据可读取时，迭代器会引发像Python iter那样的StopIteration异常。

作用：

• 在MXNet中，数据迭代器在每次调用next（）时，返回一批数据作为DataBatch，DataBatch通常包含n个训练示例及其相应的标签，这里的n是Batch的大小。
• 如果输入的数据是图像的话，这些图像的shape取决于DataDesc中的provide_data参数。每个Batch的训练样本的名称、形状、类型和Layout等信息构成的DataDesc数据描述符及其相应的标签可以通过DataBatch中的provide_data和provide_label属性提供。
• 如果将布局(layout)设置为“ NCHW”，则图像应以形状（batch_size，num_channel，height，width）的4维矩阵存储。 如果将布局(layout)设置为“ NHWC”，则图像应存储在形状（batch_size，height，width，num_channel）的4-D矩阵中。 通道通常为RGB顺序。

2.2、DataBatch类

class mxnet.io.DataBatch(data, label=None, pad=None, index=None, bucket_key=None, provide_data=None, provide_label=None)

参数：

• data：一个关于NDArray的列表，每个NDArray都包含了bach_size个大小的样本。a list of input data
• label：一个关于NDArray的列表，每个NDArray都包含了一维的标签信息。a list of input labels
• pad： 整型，可选。在最后一个batch时，填充的样本数。当读取的样本总数不能被批大小整除时使用。这些额外的填充样本在预测中被忽略。
• index：numpy数组格式，可选。该批量中样本的索引
• bucket_key：整型，可选。The bucket key, used for bucketing module.
• provide_data：一个关于DataDesc的列表，可选。DataDesc用于存储数据的名字，形状，类型和layout信息。第i个元素描述了data[i]的名字和形状。
• provide_label：一个关于DataDesc的列表，可选。DataDesc用于存储数据的名字，形状，类型和layout信息。第i个元素描述了label[i]的名字和形状。

3、DataDesc

3.1、介绍

作用

• DataDesc用于存储数据的名字，形状，类型和格式信息。
• 每个Batch训练样本的名称、形状、类型和Layout等信息及其相应的标签可以通过DataBatch中的provide_data和provide_label属性提供，而DataDesc数据描述符对象包含了数据的名字，形状，类型和layout信息。
• Layout描述了shape中轴的解释方式，例如，对于图像数据，layout = NCHW表示第一个轴是Batch（N）中的样本数，C是通道数，H是高度，W是 图片的宽度。对于顺序数据sequential --data，默认情况下Layout设置为NTC，其中N是Batch中的样本数，T是代表时间的时间轴，C是通道数。

class DataDesc(namedtuple('DataDesc', ['name', 'shape'])):

参数

• cls（DataDesc）：类自己
• name：字符串，数据名字
• shape：元组或整型，数据形状
• dtype：nd.dtype 可选。数据类型
• layout：字符串，可选。数据格式。包括 NCHW\NHWC

方法

• get_batch_axis(layout)：获取与批处理大小相对应的维度。
• get_list(shapes, types)：从属性列表中获取DataDesc列表.

4、DataIter

4.1、介绍

作用

• DataIter是mxnet中数据迭代器dataiter的基类（The base class for an MXNet data iterator）
• mxnet中所有的数据IO都由mx.io.DataIter的子类来处理。mxnet中的dataiter迭代器是和python中的iterators很像，每次调用nxet都会返回一个Databatch，代表了一个批量中的数据，当没有更多的数据返回时，它会引发StopIteration异常。
• MXnet中的Data Iterator和python中的迭代器是很相似的， 当Data Iterator的内置方法next()被调用的时候，它每次返回一个 DataBatch。所谓DataBatch，就是网络所需要的输入和label，一般是(n, c, h, w)的格式的图片输入和(n, h, w)或者标量式样的label。

4.2、DataIter类

class mxnet.io.DataIter(batch_size=0)

参数

• batch_size：the batch size，即批次中的项目数量。
  方法
• getdata（）：获取当前批次的数据。
• getindex（）：获取当前批的索引。
• getlabel（）：获取当前批次的标签。
• getpad（）：获取当前批处理中的填充样本数。
• iter_next（）：移到下一批。
• next（）：从迭代器获取下一个数据批。
• reset（）：将迭代器重置为数据的开头

5、Data iterators：Mxnet中所有常用的迭代器

MXNet中的所有IO都通过mx.io.DataIter以及它的子类来处理，以下是常见的几种迭代器。

6、Custom Iterator（自己定制一个迭代器）

当所有内置的迭代器不能满足时，可以定制。mxnet中的迭代器应当满足：

• 如果是py2应实现next（），py3的话应实现__next()__，并返回一个DataBatch或升起一个StopIteration意外当迭代到最后的时候。
• 实现reset（）方法来返回到迭代器头部
• 实现provide_data属性
• 实现provide_label属性

创建新的迭代器时，可以从头开始定义迭代器，也可以重用现有迭代器，例如，在图像caption应用程序中（看图说话），输入示例是图像，而标签是句子。可以通过以下方法创建新的迭代器：

• 使用ImageRecordIter创建一个image_iter，它提供多线程预取和扩充。
• 使用rnn包中提供的NDArrayIter或bucketing迭代器创建caption_iter。
• next（）返回image_iter.next()和caption_iter.next()

6.1、定制一个迭代器

class SimpleIter(mx.io.DataIter):# MXNet中的所有IO都通过mx.io.DataIter以及它的子类来处理
    def __init__(self, data_names, data_shapes, data_gen,
                 label_names, label_shapes, label_gen, num_batches=10):
        self._provide_data = list(zip(data_names, data_shapes))
        self._provide_label = list(zip(label_names, label_shapes))
        self.num_batches = num_batches
        self.data_gen = data_gen
        self.label_gen = label_gen
        self.cur_batch = 0

    def __iter__(self):
        return self

    def reset(self):
        self.cur_batch = 0

    def __next__(self):
        return self.next()

    @property
    def provide_data(self):
        return self._provide_data

    @property
    def provide_label(self):
        return self._provide_label

    def next(self):
        if self.cur_batch < self.num_batches:
            self.cur_batch += 1
            data = [mx.nd.array(g(d[1])) for d,g in zip(self._provide_data, self.data_gen)]
            label = [mx.nd.array(g(d[1])) for d,g in zip(self._provide_label, self.label_gen)]
            return mx.io.DataBatch(data, label)
        else:
            raise StopIteration

• 上面的代码是最简单的一个DataIter，没有对数据的预处理，甚至于没有自己去读取数据，但是基本的意思是到了，一个DataIter必须要实现上面的几个方法
• provide_data返回的格式是(dataname, batchsize, channel, width, height)， provide_label返回的格式是(label_name, batchsize, width, height)
• reset()的目的是在每个epoch后打乱读取图片的顺序，这样随机采样的话训练效果会好一点，一般情况下是用shuffle你的lst（上篇用来读取图片的lst）实现的
• next()的方法就很显然了，用来返回你的DataBatch，如果出现问题…记得raise stopIteration，这里或许用try更好吧…需要注意的是，DataBatch返回的数据类型是mx.nd.ndarry。

转载：https://blog.csdn.net/qq_35091353/article/details/108759726