第四章 PyTorch数据处理工具箱
4.1 数据处理工具箱概述
PyTorch涉及数据处理(数据装载、数据预处理、数据增强等)主要工具包及相互关系。
图4-1的左边是torch.utils.data工具包,它包括以下4个类。
- Dataset:是一个抽象类,其他数据集需要继承这个类,并且覆写其中的两个方法(_getitem__、__len__)。
- DataLoader:定义一个新的迭代器,实现批量(batch)读取,打乱数据(shuffle)并提供并行加速等功能。
- random_split:把数据集随机拆分为给定长度的非重叠的新数据集。
- *sampler:多种采样函数
图4-1中间是PyTorch可视化处理工具(Torchvision),其是PyTorch的一个视觉处理工具包,独立于PyTorch,需要另外安装,使用pip或conda安装即可:pip install torchvision
它包括4个类,各类的主要功能如下。
- datasets:提供常用的数据集加载,设计上都是继承自 torch.utils.data.Dataset,主要包括MMIST、CIFAR10/100、ImageNet和COCO 等。
- models:提供深度学习中各种经典的网络结构以及训练好的模型(如果选择pretrained=True),包括AlexNet、VGG系列、ResNet系列、 Inception系列等。
- transforms:常用的数据预处理操作,主要包括对Tensor及PIL Image 对象的操作。
- utils:含两个函数,一个是make_grid,它能将多张图片拼接在一个网格中;另一个是save_img,它能将Tensor保存成图片。
4.2 utils.data简介
utils.data包括Dataset和DataLoader。torch.utils.data.Dataset为抽象类。自定义数据集需要继承这个类,并实现两个函数,一个是__len__,另一个是 __getitem__,前者提供数据的大小(size),后者通过给定索引获取数据和标签。__getitem__一次只能获取一个数据,所以需要通过 torch.utils.data.DataLoader来定义一个新的迭代器,实现batch读取。
1)导入需要的模块。
import torch
from torch.utils import data
import numpy as np
2)定义获取数据集的类。
class TestDataset(data.Dataset):#继承Dataset
def __init__(self):
self.Data=np.asarray([[1,2],[3,4],[2,1],[3,4],[4,5]])#一些由2维向量表示的数据集
self.Label=np.asarray([0,1,0,1,2])#这是数据集对应的标签
def __getitem__(self, index):
#把numpy转换为Tensor
txt=torch.from_numpy(self.Data[index])
label=torch.tensor(self.Label[index])
return txt,label
def __len__(self):
return len(self.Data)
3)获取数据集中数据。
Test=TestDataset()
print(Test[2]) #相当于调用__getitem__(2)
print(Test.__len__())
(tensor([2, 1], dtype=torch.int32), tensor(0, dtype=torch.int32))
5
以上数据以tuple返回,每次只返回一个样本。实际上,Dateset只负责数据的抽取,调用一次__getitem__只返回一个样本。如果希望批量处理(batch),还要同时进行shuffle和并行加速等操作,可选择DataLoader。 DataLoader的格式为:
data.DataLoader(
dataset, # 加载的数据集
batch_size=1, # 批大小
shuffle=False, # 是否打乱
sampler=None, # 样本抽样
batch_sampler=None,
num_workers=0, # 使用多进程加载的进程数,0代表不使用多进程
collate_fn=<function default_collate at 0x7f108ee01620>, #如何将多个样本数据拼接成一个batch,一般使用默认的拼接方式即可。
pin_memory=False, # 是否将数据保存在pin memory区,pin memory中的数据转到GPU会快一些。
drop_last=False, # dataset中的数据个数可能不是batch_size的整数倍,drop_last为True会将多出来不足一个batch的数据丢弃
timeout=0,
worker_init_fn=None,
)
test_loader = data.DataLoader(Test,batch_size=2,shuffle=False,num_workers=0)
for i,traindata in enumerate(test_loader):
print('i:',i)
Data,Label=traindata
print('data:',Data)
print('Label:',Label)
注意这里的num_workers=0
i: 0
data: tensor([[1, 2],
[3, 4]], dtype=torch.int32)
Label: tensor([0, 1], dtype=torch.int32)
i: 1
data: tensor([[2, 1],
[3, 4]], dtype=torch.int32)
Label: tensor([0, 1], dtype=torch.int32)
i: 2
data: tensor([[4, 5]], dtype=torch.int32)
Label: tensor([2], dtype=torch.int32)
从这个结果可以看出,这是批量读取。我们可以像使用迭代器一样使用它,比如对它进行循环操作。不过由于它不是迭代器,我们可以通过iter命令将其转换为迭代器。
dataiter=iter(test_loader)
imgs,labels=next(dataiter)
#imgs.size()
一般用data.Dataset处理同一个目录下的数据。如果数据在不同目录下, 因为不同的目录代表不同类别(这种情况比较普遍),使用data.Dataset来处理就很不方便。不过,使用PyTorch另一种可视化数据处理工具(即 torchvision)就非常方便,不但可以自动获取标签,还提供很多数据预处 理、数据增强等转换函数。
4.3 torchvision简介
torchvision有4个功能模块:model、datasets、transforms和utils。
4.3.1 transforms
transforms提供了对PIL Image对象和Tensor对象的常用操作。
1)对PIL Image的常见操作如下。
- Scale/Resize:调整尺寸,长宽比保持不变。
- CenterCrop、RandomCrop、RandomSizedCrop:裁剪图片,CenterCrop 和RandomCrop在crop时是固定size,RandomResizedCrop则是random size的 crop。
- Pad:填充。
- ToTensor:把一个取值范围是[0,255]的PIL.Image转换成Tensor。形状为(H,W,C)的Numpy.ndarray转换成形状为[C,H,W],取值范围是[0,1.0]的 torch.FloatTensor。
- RandomHorizontalFlip:图像随机水平翻转,翻转概率为0.5。
- RandomVerticalFlip:图像随机垂直翻转。
- ColorJitter:修改亮度、对比度和饱和度。
2)对Tensor的常见操作如下。
- Normalize:标准化,即,减均值,除以标准差。
- ToPILImage:将Tensor转为PIL Image。
如果要对数据集进行多个操作,可通过Compose将这些操作像管道一样拼接起来,类似于nn.Sequential。
4.3.2 ImageFolder
当文件依据标签处于不同文件下时,如:
我们可以利用torchvision.datasets.ImageFolder来直接构造出dataset,代码如下:
loader = datasets.ImageFolder(path)
loader = data.DataLoader(dataset)
ImageFolder会将目录中的文件夹名自动转化成序列,当DataLoader载入时,标签自动就是整数序列了。
1)导入相关功能包
from torchvision import transforms, utils
from torchvision import datasets
import torch
import matplotlib.pyplot as plt
%matplotlib inline
2)定义图片处理类
my_trans=transforms.Compose([
transforms.RandomResizedCrop(224),
transforms.RandomHorizontalFlip(),
transforms.ToTensor()
])
3)数据装载
train_data = datasets.ImageFolder('./data/torchvision_data', transform=my_trans)
train_loader = data.DataLoader(train_data,batch_size=8,shuffle=True,)
4)取样展示图片
for i_batch, img in enumerate(train_loader):
if i_batch == 0:
print(img[1])
fig = plt.figure()
grid = utils.make_grid(img[0])
plt.imshow(grid.numpy().transpose((1, 2, 0)))
plt.show()
utils.save_image(grid,'test01.png')
break
4.4 可视化工具
Tensorboard是Google TensorFlow的可视化工具,它可以记录训练数据、评估数据、网络结构、图像等,并且可以在web上展示,对于观察神经网络训练的过程非常有帮助。
4.4.1 tensorboardX简介
tensorboardX功能很强大,支持scalar、image、figure、histogram、 audio、text、graph、onnx_graph、embedding、pr_curve and videosummaries 等可视化方式。
使用tensorboardX的一般步骤如下所示。
1)导入tensorboardX,实例化SummaryWriter类,指明记录日志路径等信息。
2)调用相应的API接口。
3)启动tensorboard服务。
4)web展示。
4.4.2 用tensorboardX可视化神经网络
(1)导入需要的模块
import torch
import torch.nn as nn
import torch.nn.functional as F
import torchvision
from tensorboardX import SummaryWriter
(2)构建神经网络
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
self.conv2_drop = nn.Dropout2d()
self.fc1 = nn.Linear(320, 50)
self.fc2 = nn.Linear(50, 10)
self.bn = nn.BatchNorm2d(20)
def forward(self, x):
x = F.max_pool2d(self.conv1(x), 2)
x = F.relu(x) + F.relu(-x)
x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
x = self.bn(x)
x = x.view(-1, 320)
x = F.relu(self.fc1(x))
x = F.dropout(x, training=self.training)
x = self.fc2(x)
x = F.softmax(x, dim=1)
return x
(3)把模型保存为graph
#定义输入
input = torch.rand(32, 1, 28, 28)
#实例化神经网络
model = Net()
#将model保存为graph
with SummaryWriter(log_dir='logs',comment='Net') as w:
w.add_graph(model, (input, ))
(4)网页展示
tensorboardX使用教程:Pytorch使用tensorboardX可视化。超详细!!! - 简书 (jianshu.com)
4.4.3 用tensorboardX可视化损失值
可视化损失值,需要使用add_scalar函数,这里利用一层全连接神经网络,训练一元二次函数的参数。
import torch
import torch.nn as nn
from tensorboardX import SummaryWriter
import numpy as np
input_size = 1
output_size = 1
num_epoches = 60
learning_rate = 0.01
dtype = torch.FloatTensor
writer = SummaryWriter(log_dir='logs', comment='Linear')
np.random.seed(100)
x_train = np.linspace(-1, 1, 100).reshape(100, 1)
y_train = 3 * np.power(x_train, 2) + 2 + 0.2 * np.random.rand(x_train.size).reshape(100, 1)
model = nn.Linear(input_size, output_size)
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
for epoch in range(num_epoches):
inputs = torch.from_numpy(x_train).type(dtype)
targets = torch.from_numpy(y_train).type(dtype)
output = model(inputs)
loss = criterion(output, targets)
optimizer.zero_grad()
loss.backward()
optimizer.step()
# 保存loss的数据与epoch数值
writer.add_scalar('训练损失值', loss, epoch)