《昇思25天学习打卡营第5天|数据变换 Transforms》

打开第5天，学习了解mindspore的数据变换处理。

        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。

from mindspore.dataset import transforms, vision, text
from mindspore.dataset import GeneratorDataset, MnistDataset

1. Common Transforms

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

    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。

# 加载原始数据集
train_dataset = MnistDataset('MNIST_Data/train')
image, label = next(train_dataset.create_tuple_iterator())

# 定义Compose操作序列
composed = transforms.Compose(
    [
        vision.Rescale(1.0 / 255.0, 0),
        vision.Normalize(mean=(0.1307,), std=(0.3081,)),
        vision.HWC2CHW()
    ]
)

# 使用定义的Compose增强序列预处理数据
train_dataset = train_dataset.map(composed, 'image')
image, label = next(train_dataset.create_tuple_iterator())

更多通用Transforms详见mindspore.dataset.transforms。

2. Vision Transforms

mindspore.dataset.vision模块提供一系列针对图像数据的Transforms。

2.1 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。

# 模拟构造一个图像数据
random_np = np.random.randint(0, 255, (48, 48), np.uint8)
random_image = Image.fromarray(random_np)

# 实例化一个Transform Rescale对象
rescale = vision.Rescale(1.0 / 255.0, 0)
# 调用对象进行数据处理
rescaled_image = rescale(random_image)

2.2 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。

normalize = vision.Normalize(mean=(0.1307,), std=(0.3081,))
normalized_image = normalize(rescaled_image)

2.3 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。

3. 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。

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

texts = ['Welcome to Beijing']
test_dataset = GeneratorDataset(texts, 'text')

3.1 PythonTokenizer

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。

def my_tokenizer(content):
    return content.split()

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

3.2 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。

# 从数据集中生成词表
vocab = text.Vocab.from_dataset(test_dataset)

# 使用vocab方法查看词表
print(vocab.vocab())

# 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))

4. 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。

5. 总结

        对数据变换 Transforms的使用学习后，更深入地理解了如何使用MindSpore框架来高效地处理和准备深度学习模型所需的数据。

        通过自定义数据变换，可以根据自己的需求来构建和优化数据处理流程，这对于处理特定类型的数据或实验设置非常有用。数据变换操作可以有助于更好地设计实验，通过不同的数据增强方法来提高模型的泛化能力。