使用Pytorch进行读取本地的MINIST数据集并进行装载

pytorch中的torchvision.datasets中自带MINIST数据集，可直接调用模块进行获取，也可以进行自定义自己的Dataset类进行读取本地数据和初始化数据。

1. 直接使用pytorch自带的MNIST进行下载:

缺点: 下载速度较慢，而且如果中途下载失败一般得是重新进行执行代码进行下载:

# # 训练数据和测试数据的下载
# 训练数据和测试数据的下载
trainDataset = torchvision.datasets.MNIST( # torchvision可以实现数据集的训练集和测试集的下载
    root="./data", # 下载数据，并且存放在data文件夹中
    train=True, # train用于指定在数据集下载完成后需要载入哪部分数据，如果设置为True，则说明载入的是该数据集的训练集部分；如果设置为False，则说明载入的是该数据集的测试集部分。
    transform=transforms.ToTensor(), # 数据的标准化等操作都在transforms中，此处是转换
    download=True # 瞎子啊过程中如果中断，或者下载完成之后再次运行，则会出现报错
)

testDataset = torchvision.datasets.MNIST(
    root="./data",
    train=False,
    transform=transforms.ToTensor(),
    download=True
)

2. 自定义dataset类进行数据的读取以及初始化。

其中自己下载的MINIST数据集的内容如下:

• 自己定义的dataset类需要继承: Dataset
• 需要实现必要的魔法方法:
  • __init__魔法方法里面进行读取数据文件
  • __getitem__魔法方法进行支持下标访问
  • __len__魔法方法返回自定义数据集的大小，方便后期遍历

示例如下:

class DealDataset(Dataset):
    """
        读取数据、初始化数据
    """
    def __init__(self, folder, data_name, label_name,transform=None):
        (train_set, train_labels) = load_minist_data.load_data(folder, data_name, label_name) # 其实也可以直接使用torch.load(),读取之后的结果为torch.Tensor形式
        self.train_set = train_set
        self.train_labels = train_labels
        self.transform = transform

    def __getitem__(self, index):

        img, target = self.train_set[index], int(self.train_labels[index])
        if self.transform is not None:
            img = self.transform(img)
        return img, target

    def __len__(self):
        return len(self.train_set)

其中load_minist_data.load_data也是我们自己写的读取数据文件的函数，即放在了load_minist_data.py中的load_data函数中。具体实现如下:

def load_data(data_folder, data_name, label_name):
	"""
        data_folder: 文件目录
        data_name： 数据文件名
        label_name：标签数据文件名
    """
  with gzip.open(os.path.join(data_folder,label_name), 'rb') as lbpath: # rb表示的是读取二进制数据
    y_train = np.frombuffer(lbpath.read(), np.uint8, offset=8)

  with gzip.open(os.path.join(data_folder,data_name), 'rb') as imgpath:
    x_train = np.frombuffer(
        imgpath.read(), np.uint8, offset=16).reshape(len(y_train), 28, 28)
  return (x_train, y_train)

• 编写完自定义的dataset就可以进行实例化该类并装载数据:

# 实例化这个类，然后我们就得到了Dataset类型的数据，记下来就将这个类传给DataLoader，就可以了。
trainDataset = DealDataset('MNIST_data/', "train-images-idx3-ubyte.gz","train-labels-idx1-ubyte.gz",transform=transforms.ToTensor())
testDataset = DealDataset('MNIST_data/', "t10k-images-idx3-ubyte.gz","t10k-labels-idx1-ubyte.gz",transform=transforms.ToTensor())

# 训练数据和测试数据的装载
train_loader = dataloader.DataLoader(
    dataset=trainDataset,
    batch_size=100, # 一个批次可以认为是一个包，每个包中含有100张图片
    shuffle=False,
)

test_loader = dataloader.DataLoader(
    dataset=testDataset,
    batch_size=100,
    shuffle=False,
)

• 构建简单的神经网络并进行训练和测试:

class NeuralNet(nn.Module):

    def __init__(self, input_num, hidden_num, output_num):
        super(NeuralNet, self).__init__()
        self.fc1 = nn.Linear(input_num, hidden_num)
        self.fc2 = nn.Linear(hidden_num, output_num)
        self.relu = nn.ReLU()

    def forward(self,x):
        x = self.fc1(x)
        x = self.relu(x)
        y = self.fc2(x)
        return y

# 参数初始化
epoches = 5
lr = 0.001
input_num = 784
hidden_num = 500
output_num = 10
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")


# 产生训练模型对象以及定义损失函数和优化函数
model = NeuralNet(input_num, hidden_num, output_num)
model.to(device)
criterion = nn.CrossEntropyLoss() # 使用交叉熵作为损失函数
optimizer = optim.Adam(model.parameters(), lr=lr)


# 开始循环训练
for epoch in range(epoches): # 一个epoch可以认为是一次训练循环
    for i, data in enumerate(train_loader):
        (images, labels) =  data
        images = images.reshape(-1, 28*28).to(device)
        labels = labels.to(device)
        output = model(images) # 经过模型对象就产生了输出
        loss = criterion(output, labels.long()) # 传入的参数: 输出值(预测值), 实际值(标签)
        optimizer.zero_grad() # 梯度清零
        loss.backward()
        optimizer.step()

        if (i+1) % 100 == 0: # i表示样本的编号
            print('Epoch [{}/{}], Loss: {:.4f}'
                  .format(epoch + 1, epoches, loss.item())) # {}里面是后面需要传入的变量
                                                            # loss.item

# 开始测试
with torch.no_grad():
    correct = 0
    total = 0
    for images, labels in test_loader:
        images = images.reshape(-1, 28*28).to(device) # 此处的-1一般是指自动匹配的意思, 即不知道有多少行，但是确定了列数为28 * 28
                                                      # 其实由于此处28 * 28本身就已经等于了原tensor的大小，所以，行数也就确定了，为1
        labels = labels.to(device)
        output = model(images)
        _, predicted = torch.max(output, 1)
        total += labels.size(0) # 此处的size()类似numpy的shape: np.shape(train_images)[0]
        correct += (predicted == labels).sum().item()
    print("The accuracy of total {} images: {}%".format(total, 100 * correct/total))