《昇思25天学习打卡营第05天|数据变换Transforms》

1234567今天你有没有摸鱼

于 2024-07-01 16:43:55 发布

阅读量1k

点赞数 16

文章标签： MindSpore昇思

本文链接：https://blog.csdn.net/weixin_54191598/article/details/140102256

版权

数据变换Transforms

环境准备

# 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

Common Transforms
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。基于Mnist数据集呈现Transforms的应用效果

#下载开源数据集
  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')
  image, label = next(train_dataset.create_tuple_iterator())
  print(image.shape)
  #output (28, 28, 1)
  	composed = transforms.Compose([
  	vision.Rescale(1.0 / 255.0, 0),
    vision.Normalize(mean=(0.1307,), std=(0.3081,)),
    vision.HWC2CHW()
    ])
    train_dataset = train_dataset.map(composed, 'image')
	image, label = next(train_dataset.create_tuple_iterator())
	print(image.shape)
	#output(1, 28, 28)

Vision Transforms

Rescale
- 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
  - 输出像素值为 $output_i=input_i * rescale + shift$
```
random_np = np.random.randint(0, 255, (48, 48), np.uint8)
random_image = Image.fromarray(random_np)
rescale = vision.Rescale(1.0 / 255.0, 0)
rescaled_image = rescale(random_image)
```
Normalize
- 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)。
  - 图像通道根据mean和std进行调整，计算公式 $output_c = \frac{input_c - mean_c}{std_c}, c$ 代表通道索引。
```
normalize = vision.Normalize(mean=(0.1307,), std=(0.3081,))
normalized_image = normalize(rescaled_image)
```

HWC2CHW
HWC2CHW 变换用于转换图像格式。

hwc_image = np.expand_dims(normalized_image, -1)
hwc2chw = vision.HWC2CHW()
chw_image = hwc2chw(hwc_image)
print(hwc_image.shape, chw_image.shape)
#Output (48, 48, 1)(1, 48, 48)

Text Transforms
文本数据需要有分词(Tokenize)、构建词表、Token转Index等操作。

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

PythonTokenizer 分词器

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

test_dataset = test_dataset.map(text.PythonTokenizer(my_tokenizer))
print(next(test_dataset.create_tuple_iterator())
#Output [Tensor(shape=[3], dtype=String, value= ['Welcome', 'to', 'Beijing'])]

Lookup
Lookup为词表映射变换，用来将Token转化为index。

前置条件: 需要构造词表

	vocab = text.Vocab.from_dataset(test_dataset)
	print(vocab.vocab())
	#Output {'to': 2, 'Welcome': 1, 'Beijing': 0}
	test_dataset = test_dataset.map(text.Lookup(vocab))
	print(next(test_dataset.create_tuple_iterator()))
	#Output [Tensor(shape=[3], dtype=Int32, value= [1, 2, 0])]

Lambda Transforms

加载任意定义的Lambda函数

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

def func(x):
	return x * x + 2
test_dataset = test_dataset.map(lambda x: func(x))