4. 数据导入 2022-09-05

torch自带数据集

导入数据集主要依赖如下两个包：
torch.utils.data.Dataset: 样例训练集
torch.utils.data.DataLoader: 方便使用
其他训练dataset：

image: https://pytorch.org/vision/stable/datasets.html
text: https://pytorch.org/text/stable/datasets.html
audio: https://pytorch.org/audio/stable/datasets.html

这里使用手写数据集举例：Fashion-MINST

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",  #data path
    train=True,   #train or test data set
    download=True,#download from the internet or use data in root path
    transform=ToTensor()
)

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)

数据集可视化

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()

函数sample_idx = torch.randint(len(training_data), size=(1,)).item() 表示随机采样一幅图片的索引。

导入自己的数据集

重载Dataset函数

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

这里几个重要的成员变量：
self.img_labels: 图像标签对应表
self.img_dir: 原始图像位置
self.img_transform: 原始图像转换
self.target_transform: 标签转换
len(): 数据长度
getitem(): 获取数据和对应的标签，内部使用（img_labels.iloc[idx, 0]）

label.csv文件内容，映射图片在root下的名称和对应标签

tshirt1.jpg, 0
tshirt2.jpg, 0
......
ankleboot999.jpg, 9

使用dataloader准备数据

使用minibatch方式训练，两个重要参数：
batch_size: batch 大小
shuffle: 随机抽取数据

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)

# 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}")

使用transforms转换数据

因为数据集输入输出的数据格式和label格式表达各不相同，为适配网络，需要将数据和标签转换为网络能用的格式，torch提供transforms方法完成这一任务。

import torch
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda

ds = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor(),
    target_transform=Lambda(lambda y: torch.zeros(10, dtype=torch.float).scatter_(0, torch.tensor(y), value=1))
)

这里Tensor.scatter_()函数根据y为索引设置为value=1;

lambda转换介绍如下：
https://pytorch.org/tutorials/beginner/basics/transforms_tutorial.html#lambda-transforms

4. 数据导入 2022-09-05