目录
参考
运行环境:google colab
笔记链接
- 学习笔记——pytorch1.9.0官方文档快速入门(一)
- 学习笔记——pytorch1.9.0官方文档快速入门(二)
- 学习笔记——pytorch1.9.0官方文档快速入门(三)
- 学习笔记——pytorch1.9.0官方文档快速入门(四)
- 学习笔记——pytorch1.9.0官方文档快速入门(五)
- 学习笔记——pytorch1.9.0官方文档快速入门(六)
- 学习笔记——pytorch1.9.0官方文档快速入门(七)
Datasets & Dataloaders介绍
pytorch提供了两种类:torch.utils.data.DataLoader
和torch.utils.data.Dataset
。它们允许你使用预加载的数据集以及自己的数据集。Dataset存储样本以及对应的标签,Dataloader围绕Dataset包装一个可迭代对象,以便轻松访问样本。
pytorch库提供了许多预加载的数据集(例如 FashionMNIST),它们是torch.utils.data.Dataset
的子类并实现特定于特定数据的功能。它们可用于对模型进行原型设计和基准测试。
加载数据集
举例:如何从TorchVision
中加载 FashionMNIST数据集。Fashion-MNIST是Zalando文章图像的数据集,由60,000个训练示例和10,000个测试示例组成。每个示例都包含一个28×28灰度图像和来自10个类别之一的相关标签。
参数说明:
root
是存储训练/测试数据的路径;train
指定训练或测试数据集;download=True
:如果root
不可用,则从网络下载数据;
-transform
和target_transform
指定特征和标签转换。
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()
)
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()
自定义数据集
自定义Dataset类必须实现三个函数:__init__
、__len__
和__getitem__
。举例:FashionMNIST图片存储在目录img_dir
中,它们的标签单独存储在csv
文件annotations_file
中。
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
接下来开始拆解类的实现。
init
__init__函数在实例化Dataset对象时运行一次(类似于构造函数)。我们初始化包含图像、注释文件和两个转换的目录。
Label.csv
文件结构如下:
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__函数返回我们数据集中的样本数。
def __len__(self):
return len(self.img_labels)
getitem
__getitem__函数从给定索引idx
的数据集中加载并返回一个样本。根据索引idx
,它能确定图片在数据集中的位置,使用read_image
将图片转换为tensor,利用self.img_labels
从csv文件中找到对应的标签label,对它们调用转换函数(如果适用),最后以tuple元组的形式返回图像的tensor格式和对应的标签label。
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
Dataset检索我们数据集的特征并每次标记一个样本。我们通常希望在“小批量(minibatches)”中传递样本,在每个轮(epoch)后重新洗牌数据以降低模型过度拟合的风险,并且使用python的multiprocessing
来加速数据检索。
Dataloader是一个迭代器,它在一个简单的API中为我们抽象出这种复杂过程。
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,并且可以根据需求遍历数据集。下面的每次迭代都会返回一批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
,所以在我们遍历所有批次之后,数据会被打乱。
# 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}")