深度学习笔记（七）——pytorch数据处理工具箱（一）

数据下载和预处理是机器学习、深度学习实际项目中耗时又重要的任务，尤其是数据预处理，关系到数据质量和模型性能，往往要占据项目的大部分时间。

数据处理工具箱概述

pytorch涉及数据处理（数据装载、数据预处理、数据增强等）主要工具包及相互关系如下图所示：

上图的左边是torch.utils.data工具包，它包括以下4个类。
1）Dataset：是一个抽象类，其他数据集需要继承这个类，并且覆写其中的两个方法（_getitem_,_ len_）。
2）DataLoader：定义了一个新的迭代器，实现批量（batch）读取，打乱数据（shuffle）并提供并行加速等功能。
3）random_split：把数据集随机拆分为给定长度的非重叠的新数据集。
4）*sample：多种采样函数。
上图中间是pytorch可视化处理工具（torchvision），其是pytorch的一个视觉处理工具包。
它包括四个类，各类主要功能如下。
1）datasets：提供常用的数据集加在，设计上都是继承自torch.utils.data.Dataset，主要包括MNIST、CIFAR10/100、ImageNet和COCO等。
2）models：提供深度学习中各种经典的网络结构以及训练好的模型（如果选择pretrained=True），包括AlexNet、VGG系列、ResNet系列、Inception系列等。
3）transforms：常用的数据预处理操作，主要包括对Tensor及PIL Image对象的操作。
4）utils：含两个函数，一个是make_grid，它能将多张图片拼接在一个网格中，另一个是save_img，它能将Tensor保存成图片。

utils.data简介

utils.data包括Dataset和DataLoader。torch.utils.data.Dataset为抽象类。自定义数据集需要继承这个类，并实现两个函数，一个是_len_，另一个是_getitem_，前者提供数据的大小（size），后者通过给定索引获取数据和标签。_getitem_一次只能获取一个数据，所以需要通过torch.utils.data.DataLoader来定义一个新的迭代器，实现batch读取。首先我们来定义一个简单的数据集，然后通过具体使用Dataset及DataLoader。
1）导入需要的模块

import torch
from torch.utils import data
import numpy as np

2）定义获取数据集的类
该类继承基类Dataset，自定义一个数据集及对应标签。

class TestDataset(data.Dataset):  # 继承Dataset
    def __init__(self):
        self.Data = np.asarray([[1, 2], [3, 4], [2, 1], [3, 4], [4, 5]])  # 一些由2维向量表示的数据集
        self.Label = np.asarray([0, 1, 0, 1, 2])  # 这是数据集对应的标签

    def __getitem__(self, index):
        # 把numpy转换为Tensor
        txt = torch.from_numpy(self.Data[index])
        label = torch.tensor(self.Label[index])
        return txt, label

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

3）获取数据集中数据。

Test = TestDataset()
print(Test[2])
print(Test.__len__())

运行结果：

以上数据以tuple返回，每次返回一个样本。实际上，Dataset只负责数据的抽取，调用一次_getitem_只返回一个样本。如果希望批量处理（batch），还要同时进行shuffle和并行加速等操作，可选择DataLoader。DataLoader的格式为：

data.DataLoader(
		dataset,
		batch_size=1,
		shuffle=False,
		sampler=None,
		batch_sampler=None,
		num_workers=0,
		collate_fn=,
		pin_memory=False,
		drop_last=False,
		timeout=0,
		worker_init_fn=None
)

主要参数说明：
dataset：加载的数据集。
batch_size：批大小。
shuffle：是否将数据打乱。
sampler：样本抽样。
num_workers：使用多进程加载的进程数，0代表不使用多进程。
collate_fn：如何将多个样本数据拼接成一个batch，一般使用默认的拼接方式即可。
pin_memory：是否将数据保存在pin memory区，pin memory中的数据转到GPU中会更快一些。
drop_last：dataset中的数据个数可能不是batch_size的整数倍，drop_last为True会将多出来不足一个batch的数据丢弃。

test_loader = data.DataLoader(Test, batch_size=2, shuffle=False, num_workers=0)
for i, traindata in enumerate(test_loader):
    print('i: ', i)
    Data, Label = traindata
    print('data: ', Data)
    print('Label: ', Label)

运行结果：

从这个结果可以看出，这是批量读取。我们可以像迭代器一样使用它，比如对它进行循环操作。不过由于它不是迭代器，我们可以通过iter命令将其转换为迭代器。

test_loader = data.DataLoader(Test, batch_size=1, shuffle=False, num_workers=0)
dataiter = iter(test_loader)

针对迭代器的使用，这里给出两个方案：
1）直接对迭代器使用for循环：

for imgs, labels in dataiter:
    print(imgs)
    print(labels)

2）将异常检测结构与next函数配合使用。

while True:
    try:
        imgs, labels = next(dataiter)
        print(imgs)
        print(labels)
    except StopIteration:
        break

一般用data.Dataset处理同一个目录下的数据。如果数据在不同目录下，因为不同的目录代表不同类别（这种情况比较普遍），使用data.Dataset来处理就不太方便。不过，使用PyTorch另一种可视化数据处理工具（即：torchvision）就非常方便，不但可以自动获取标签，还提供了很多数据预处理、数据增强等转换函数。

参考文献

吴茂贵,郁明敏,杨本法,李涛,张粤磊. Python深度学习（基于Pytorch）. 北京:机械工业出版社,2019.