之前讲的例子,程序都是调用的datasets方法,下载的torchvision本身就提供的数据,那么如果想导入自己的数据应该怎么办呢?
本篇就讲解一下如何创建自己的数据集。
还有第二篇……Pytorch打怪路(三)Pytorch创建自己的数据集2
这里的mnist数据集并不是torchvision里面的,而是我自己的以图片格式保存的数据集,因为我在测试STN时,希望自己再把这些手写体做一些形变,
所以就先把MNIST数据集转化成了jpg图片格式,然后做了一些形变,当然这不是重点。首先我们看一下我的数据集的情况:
如图所示,我的图片数据集确实是jpg图片
如图所示,我的mnist.txt文本每一行分为两部分,第一部分是具体路径+图片名.jpg
第二部分就是label信息,因为前面这部分图片都是0 ,所以他们的分类的label信息就是0
要创建你自己的 用于分类的 数据集,也要包含上述两个部分,1.图片数据集,2.文本信息(这个txt文件可以用python或者C++轻易创建,再此不详述)
-
from PIL
import Image
-
import torch
-
-
class MyDataset(torch.utils.data.Dataset):
#创建自己的类:MyDataset,这个类是继承的torch.utils.data.Dataset
-
def __init__(self,root, datatxt, transform=None, target_transform=None):
#初始化一些需要传入的参数
-
fh = open(root + datatxt,
'r')
#按照传入的路径和txt文本参数,打开这个文本,并读取内容
-
imgs = []
#创建一个名为img的空列表,一会儿用来装东西
-
for line
in fh:
#按行循环txt文本中的内容
-
line = line.rstrip()
# 删除 本行string 字符串末尾的指定字符,这个方法的详细介绍自己查询python
-
words = line.split()
#通过指定分隔符对字符串进行切片,默认为所有的空字符,包括空格、换行、制表符等
-
imgs.append((words[
0],int(words[
1])))
#把txt里的内容读入imgs列表保存,具体是words几要看txt内容而定
-
# 很显然,根据我刚才截图所示txt的内容,words[0]是图片信息,words[1]是lable
-
self.imgs = imgs
-
self.transform = transform
-
self.target_transform = target_transform
-
-
def __getitem__(self, index):
#这个方法是必须要有的,用于按照索引读取每个元素的具体内容
-
fn, label = self.imgs[index]
#fn是图片path #fn和label分别获得imgs[index]也即是刚才每行中word[0]和word[1]的信息
-
img = Image.open(root+fn).convert(
'RGB')
#按照path读入图片from PIL import Image # 按照路径读取图片
-
-
if self.transform
is
not
None:
-
img = self.transform(img)
#是否进行transform
-
return img,label
#return很关键,return回哪些内容,那么我们在训练时循环读取每个batch时,就能获得哪些内容
-
-
def __len__(self):
#这个函数也必须要写,它返回的是数据集的长度,也就是多少张图片,要和loader的长度作区分
-
return len(self.imgs)
-
-
#根据自己定义的那个勒MyDataset来创建数据集!注意是数据集!而不是loader迭代器
-
train_data=MyDataset(txt=root+
'train.txt', transform=transforms.ToTensor())
-
test_data=MyDataset(txt=root+
'test.txt', transform=transforms.ToTensor())
-
#然后就是调用DataLoader和刚刚创建的数据集,来创建dataloader,这里提一句,loader的长度是有多少个batch,所以和batch_size有关
-
train_loader = DataLoader(dataset=train_data, batch_size=
64, shuffle=
True)
-
test_loader = DataLoader(dataset=test_data, batch_size=
64)
-
-
for batch_index, data, target
in test_loader:
-
if use_cuda:
-
data, target = data.cuda(), target.cuda()
-
data, target = Variable(data, volatile=
True), Variable(target)
这段代码是我从测试的部分中截取出来的,为什么直接能用for data, target In test_loader这样的语句呢?
其实这个语句还可以这么写:
for batch_index, batch in train_loader
data, target = batch
这样就好理解了,因为这个迭代器每一次循环所得的batch里面装的东西,就是我在__getitem__方法最后return回来的,
所以你想在训练或者测试的时候还得到其他信息的话,就去增加一些返回值即可,只要是能return出来的,就能在每个batch中读取到!
###############################################################################
Pytorch打怪路(三)Pytorch创建自己的数据集2