本文转载自:XILINX开发者社区微信公众号
本篇是利用 Python 和 PyTorch 处理面向对象的数据集系列博客的第 2 篇。
我们在第 1 部分中已定义 MyDataset 类,现在,让我们来例化 MyDataset 对象
此可迭代对象是与原始数据交互的接口,在整个训练过程中都有巨大作用。
第 2 部分:创建数据集对象
输入 [9]:
mydataset = MyDataset(isValSet_bool = None, raw_data_path = raw_data_path, norm = False, resize = True, newsize = (64, 64))
以下是该对象的一些使用示例:
输入 [10]:
# 对象操作示例。 # 此操作用于调用 method __getitem__ 并从第 6 个样本获取标签 mydataset[6][1]
输出 [10]:
0
输入 [11]:
# 此操作用于在类声明后打印注释 MyDataset.__doc__
输出 [11]:
'Interface class to raw data, providing the total number of samples in the dataset and a preprocessed item'
输入 [12]:
# 此操作用于调用 method __len__ len(mydataset)
输出 [12]:
49100
输入 [13]:
# 此操作用于触发 method __str__ print(mydataset)
原始数据路径为 ./raw_data/data_images/
可迭代对象的重要性
训练期间,将向模型提供多批次样本。可迭代的 mydataset 是获得高级轻量代码的关键。
以下提供了可迭代对象的 2 个使用示例。
示例 1:
我们可以直接获取第 3 个样本张量:
输入 [14]:
mydataset.__getitem__(3)[0].shape
输出 [14]:
torch.Size([3, 64, 64])
与以下操作作用相同
输入 [15]:
mydataset[3][0].shape
输出 [15]:
torch.Size([3, 64, 64])
示例 2:
我们可以对文件夹中的图像进行解析,并移除黑白图像:
输入 [ ]:
# 数据集访问示例:创建 1 个包含标签的新文件,移除黑白图像 if os.path.exists(raw_data_path + '/'+ "labels_new.txt"): os.remove(raw_data_path + '/'+ "labels_new.txt") with open(raw_data_path + '/'+ "labels_new.txt", "a") as myfile: for item, info in mydataset: if item != None: if item.shape[0]==1: # os.remove(raw_data_path + '/' + info.SampleName) print('C = {}; H = {}; W = {}; info = {}'.format(item.shape[0], item.shape[1], item.shape[2], info)) else: #print(info.SampleName + ' ' + str(info.SampleLabel)) myfile.write(info.SampleName + ' ' + str(info.SampleLabel) + '\n')
输入 [ ]:
# 查找具有非期望格式的样本 with open(raw_data_path + '/'+ "labels.txt", "a") as myfile: for item, info in mydataset: if item != None: if item.shape[0]!=3: # os.remove(raw_data_path + '/' + info.SampleName) print('C = {}; H = {}; W = {}; info = {}'.format(item.shape[0], item.shape[1], item.shape[2], info))
修改标签文件后,请务必更新缓存:
输入 [ ]:
if os.path.exists(raw_data_path + '/'+ "labels_new.txt"): os.rename(raw_data_path + '/'+ "labels.txt", raw_data_path + '/'+ "labels_orig.txt") os.rename(raw_data_path + '/'+ "labels_new.txt", raw_data_path + '/'+ "labels.txt") @functools.lru_cache(1) def getSampleInfoList(raw_data_path): sample_list = [] with open(str(raw_data_path) + '/labels.txt', "r") as f: reader = csv.reader(f, delimiter = ' ') for i, row in enumerate(reader): imgname = row[0] label = int(row[1]) sample_list.append(DataInfoTuple(imgname, label)) sample_list.sort(reverse=False, key=myFunc) return sample_list del mydataset mydataset = MyDataset(isValSet_bool = None, raw_data_path = '../../raw_data/data_images', norm = False) len(mydataset)
您可通过以下链接阅读了解有关 PyTorch 中的可迭代数据库的更多信息: https://pytorch.org/docs/stable/data.html
归一化
应对所有样本张量计算平均值和标准差。
如果数据集较小,可以尝试在内存中对其进行直接操作:使用 torch.stack 即可创建 1 个包含所有样本张量的栈。
可迭代对象 mydataset 支持简洁精美的代码。
使用“view”即可保留 R、G 和 B 这 3 个通道,并将其余所有维度合并为 1 个维度。
使用“mean”即可计算维度 1 的每个通道的平均值。
请参阅附件中有关 dim 使用的说明。
输入 [16]:
imgs = torch.stack([img_t for img_t, _ in mydataset], dim = 3)
输入 [17]:
#im_mean = imgs.view(3, -1).mean(dim=1).tolist() im_mean = imgs.view(3, -1).mean(dim=1) im_mean
输出 [17]:
tensor([0.4735, 0.4502, 0.4002])
输入 [18]:
im_std = imgs.view(3, -1).std(dim=1).tolist() im_std
输出 [18]:
[0.28131285309791565, 0.27447444200515747, 0.2874436378479004]
输入 [19]:
normalize = transforms.Normalize(mean=[0.4735, 0.4502, 0.4002], std=[0.28131, 0.27447, 0.28744]) # free memory del imgs
下面,我们将再次构建数据集对象,但这次将对此对象进行归一化:
输入 [21]:
mydataset = MyDataset(isValSet_bool = None, raw_data_path = raw_data_path, norm = True, resize = True, newsize = (64, 64))
由于采用了归一化,因此张量值被转换至范围 0..1 之内,并进行剪切操作。
输入 [22]:
original = Image.open('../../raw_data/data_images/img_00009111.JPEG') fig, axs = plt.subplots(1, 2, figsize=(10, 3)) axs[0].set_title('clipped tensor') axs[0].imshow(mydataset[5][0].permute(1,2,0)) axs[1].set_title('original PIL image') axs[1].imshow(original) plt.show()
将输入数据剪切到含 RGB 数据的 imshow 的有效范围内,以 [0..1] 表示浮点值,或者以 [0..255] 表示整数值。
使用 torchvision.transforms 进行预处理
现在,我们已经创建了自己的变换函数或对象(原本用作为加速学习曲线的练习),我建议使用 Torch 模块 torchvision.transforms:
“此模块定义了一组可组合式类函数对象,这些对象可作为实参传递到数据集(如 torchvision.CIFAR10),并在加载数据后 __getitem__ 返回数据之前,对数据执行变换”。
以下列出了可能的变换:
输入 [23]:
from torchvision import transforms dir(transforms)
输出 [23]:
['CenterCrop', 'ColorJitter', 'Compose', 'FiveCrop', 'Grayscale', 'Lambda', 'LinearTransformation', 'Normalize', 'Pad', 'RandomAffine', 'RandomApply', 'RandomChoice', 'RandomCrop', 'RandomErasing', 'RandomGrayscale', 'RandomHorizontalFlip', 'RandomOrder', 'RandomPerspective', 'RandomResizedCrop', 'RandomRotation', 'RandomSizedCrop', 'RandomVerticalFlip', 'Resize', 'Scale', 'TenCrop', 'ToPILImage', 'ToTensor', '__builtins__', '__cached__', '__doc__', '__file__', '__loader__', '__name__', '__package__', '__path__', '__spec__', 'functional', 'transforms']
在此示例中,我们使用变换来执行了以下操作:
1) ToTensor - 从 PIL 图像转换为张量,并将输出格式定义为 CxHxW
2) Normalize - 将张量归一化
如需了解后续步骤,敬请期待本系列的第 3 部分。