Python深度学习基于PyTorch：第4章 Pytorch数据处理工具箱
Python深度学习基于PyTorch
- 第4章 Pytorch数据处理工具箱
-
- 4.1 数据处理工具箱概述
- 4.2 utils.data简介
- 4.3 torchvision简介
-
- 4.3.1 transforms
- 4.3.2 ImageFolder
- 4.4 可视化工具
-
- 4.4.1 tensorboardX简介
- 4.4.2用tensorboardX可视化神经网络
- 4.4.3用tensorboardX可视化损失值
- 4.4.4用tensorboardX可视化特征图
- 4.5 小结
第4章 Pytorch数据处理工具箱
在3.2节我们利用Pytorch的torchvision、data等包，下载及预处理MNIST数据集。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。好在Pytorch为此提供了专门的数据下载、数据处理包，使用这些包，可极大提高我们的开发效率及数据质量。
4.1 数据处理工具箱概述
如果你看了第3章，应该对torchvision、data等数据处理包有了初步认识，但可能理解还不够深入，接下来我们将详细介绍。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图4-1所示。
图4-1 的左边是torch.utils.data工具包，它包括以下三个类：
-
（1）Dataset：是一个抽象类，其它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新数据集。
-
*（4）sampler：多种采样函数。
图4-1中间是Pytorch可视化处理工具（torchvision），Pytorch的一个视觉处理工具包，独立于Pytorch，需要另外安装，使用pip或conda安装即可：
pip install torchvision #或conda install torchvision
它包括4个类，各类的主要功能如下：
-
（1）datasets:提供常用的数据集加载，设计上都是继承torch.utils.data.Dataset，主要包括MMIST、CIFAR10/100、ImageNet、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。
4.2 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，然后具体使用Dataset及DataLoader，以便有个直观认识。
(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]) #相当于调用__getitem__(2)
print(Test.__len__())
#輸出：
#(tensor([2, 1]), tensor(0))
#5
以上数据以tuple返回，每次只返回一个样本。实际上，Dateset只负责数据的抽取，一次调用 __ getitem __ 只返回一个样本。
如果希望批量处理(batch)，同时还要进行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会快一些；
- 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=2)
for i,traindata in enumerate(test_loader):
print('i:',i)
Data,Label=traindata
print('data:',Data)
print('Label:',Label)
运行结果
i: 0
data: tensor([[1, 2],
[3, 4]])
Label: tensor([0, 1])
i: 1
data: tensor([[2, 1],
[3, 4]])
Label: tensor([0, 1])
i: 2
data: tensor([[4, 5]])
Label: tensor([2])
从这个结果可以看出，这是批量读取。我们可以像使用迭代器一样使用它,如对它进行循环操作。不过它不是迭代器，我们可以通过iter命令转换为迭代器。
dataiter=iter(test_loader)
imgs,labels=next(dataiter)
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，不同目录代表不同类别（这种情况比较普遍），使用data.Dataset来处理就不很方便。不过，可以使用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，还提供很多数据预处理、数据增强等转换函数。
4.3 torchvision简介
torchvision有4个功能模块，model、datasets、transforms和utils。其中model后续章节将介绍，利用datasets下载一些经典数据集，3.2小节有实例，大家可以参考一下。这节我们将主要介绍如何使用datasets的ImageFolder处理自定义数据集，如何使用transforms对源数据进行预处理、增强等。下面我们重点介绍transforms及ImageFolder。
4.3.1 transforms
transforms提供了对PIL Image对象和Tensor对象的常用操作。
（1）对PIL Image的常见操作如下：
- Scale/Resize: 调整尺寸，长宽比保持不变；
- CenterCrop、RandomCrop、RandomSizedCrop：裁剪图片，CenterCrop和RandomCrop在crop时是固定size，RandomResizedCrop则是random size的crop；
- Pad: 填充；
- ToTensor: 把一个取值范围是[0,255]的PIL.Image 转换成 Tensor。形状为(H,W,C)的numpy.ndarray，转换成形状为[C,H,W]，取值范围是[0,1.0]的torch.FloatTensor。
- RandomHorizontalFlip:图像随机水平翻转，翻转概率为0.5;
- RandomVerticalFlip: 图像随机垂直翻转;
- ColorJitter: 修改亮度、对比度和饱和度。
(2）对Tensor的常见操作如下：
- Normalize: 标准化，即减均值，除以标准差；
- ToPILImage:将Tensor转为PIL Image。
如果要对数据集进行多个操作，可通过Compose将这些操作像管道一样拼接起来，类似于nn.Sequential。以下为示例代码
transforms.Compose([
#将给定的 PIL.Image 进行中心切割，得到给定的 size，
#size 可以是 tuple，(target_height, target_width)。
#size 也可以是一个 Integer，在这种情况下，切出来的图片形状是正方形。
transforms.CenterCrop(10),
#切割中心点的位置随机选取
transforms.RandomCrop(20, padding=0),
#把一个取值范围是 [0, 255] 的 PIL.Image 或者 shape 为 (H, W, C) 的 numpy.ndarray，
#转换为形状为 (C, H, W)，取值范围是 [0, 1] 的 torch.FloatTensor
transforms.ToTensor(),
#规范化到[-1,1]
transforms.Normalize(mean = (0.5, 0.5, 0.5), std = (0.5, 0.5, 0.5))
])
还可以自己定义一个python lambda表达式，如将每个像素值加10，可表示为：transforms.Lambda(lambda x: x.add(10))。
更多内容可参考官网：
https://pytorch.org/docs/stable/torchvision/transforms.html
4.3.2 ImageFolder
我们可以利用 torchvision.datasets.ImageFolder 来直接构造出 dataset，代码如下：
loader = datasets.ImageFolder(path)
loader = data.DataLoader(dataset)
ImageFolder 会将目录中的文件夹名自动转化成序列，那么DataLoader载入时，标签自动就是整数序列了。
下面我们利用ImageFolder读取不同目录下图片数据，然后使用transorms进行图像预处理，预处理有多个，我们用compose把这些操作拼接在一起。然后使用DataLoader加载。
对处理后的数据用torchvision.utils中的save_image保存为一个png格式文件，然后用Image.open打开该png文件，详细代码如下：
from torchvision import transforms, utils
from torchvision import datasets
import torch
import matplotlib.pyplot as plt
%matplotlib inline
my_trans=transforms.Compose([
transforms.RandomResizedCrop(224),
transforms.RandomHorizontalFlip(),
transforms.ToTensor()
])
train_data = datasets.ImageFolder('./data/torchvision_data', transform=my_trans)
train_loader = data.DataLoader(train_data,batch_size=8,shuffle=True,)
for i_batch, img in enumerate(train_loader):
if i_batch == 0:
print(img[1])
fig = plt.figure()
grid = utils.make_grid(img[0])
plt.imshow(grid.numpy().transpose((1, 2, 0)))
plt.show()
utils.save_image(grid,'test01.png')
break
4.4 可视化工具
Tensorboard是Google TensorFlow 的可视化工具，它可以记录训练数据、评估数据、网络结构、图像等，并且可以在web上展示，对于观察神经网路训练的过程非常有帮助。PyTorch可以采用tensorboard_logger, visdom等可视化工具，但这些方法比较复杂或不够友好。为解决这一问题，人们推出了可用于Pytorch可视化的新的更强大工具tensorboardX。
4.4.1 tensorboardX简介
tensorboardX功能很强大，支持scalar, image, figure, histogram, audio, text, graph, onnx_graph, embedding, pr_curve and videosummaries等可视化方式。
安装也比较方便，先安装tensorflow（CPU或GPU版），然后安装tensorboardX,在命令行运行以下命令即可。
pip install tensorboardX
使用tensorboardX的一般步骤为：
（1）导入tensorboardX，实例化SummaryWriter类，指明记录日志路径等信息。
from tensorboardX import SummaryWriter
#实例化SummaryWriter，并指明日志存放路径。在当前目录没有logs目录将自动创建。
writer = SummaryWriter(log_dir='logs')
#调用实例
writer.add_xxx()
#关闭writer
writer.close()
【说明】
①如果是windows环境，log_dir注意路径解析，如
writer = SummaryWriter(log_dir=r’D:\myboard\test\logs’)
②SummaryWriter的格式为
SummaryWriter(log_dir=None, comment='', **kwargs)
#其中comment在文件命名加上comment后缀
③如果不写log_dir,系统将在当前目录创建一个runs的目录。
（2）调用相应的API接口，接口一般格式为：
add_xxx(tag-name, object, iteration-number)
#即add_xxx(标签，记录的对象，迭代次数)
（3）启动tensorboard服务
cd到logs目录所在的同级目录，在命令行输入如下命令，logdir等式右边可以是相对路径或绝对路径。
tensorboard --logdir=logs --port 6006
#如果是windows环境，要注意路径解析，如
#tensorboard --logdir=r'D:\myboard\test\logs' --port 6006
（4）web展示
在浏览器输入
http://服务器IP或名称:6006 #如果是本机，服务器名称可以使用localhost
有关tensorboardX的更多内容，大家可参考其官网：
https://github.com/lanpa/tensorboardX
4.4.2用tensorboardX可视化神经网络
上节我们介绍了tensorboardX的主要内容，为帮助大家更好理解，这节我们将介绍几个实例。实例内容涉及如何使用tensorboardX可视化神经网络模型、可视化损失值、图像等。
（1）导入需要的模块
import torch
import torch.nn as nn
import torch.nn.functional as F
import torchvision
from tensorboardX import SummaryWriter
（2）构建神经网络
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
self.conv2_drop = nn.Dropout2d()
self.fc1 = nn.Linear(320, 50)
self.fc2 = nn.Linear(50, 10)
self.bn = nn.BatchNorm2d(20)
def forward(self, x):
x = F.max_pool2d(self.conv1(x), 2)
x = F.relu(x) + F.relu(-x)
x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
x = self.bn(x)
x = x.view(-1, 320)
x = F.relu(self.fc1(x))
x = F.dropout(x, training=self.training)
x = self.fc2(x)
x = F.softmax(x, dim=1)
return x
（3）把模型保存为graph
#定义输入
input = torch.rand(32, 1, 28, 28)
#实例化神经网络
model = Net()
#将model保存为graph
with SummaryWriter(log_dir='logs',comment='Net') as w:
w.add_graph(model, (input, ))
打开浏览器，便可看到图4-5：
4.4.3用tensorboardX可视化损失值
可视化损失值，使用add_scalar函数，这里利用一层全连接神经网络，训练一元二次函数的参数。
dtype = torch.FloatTensor
writer = SummaryWriter(log_dir='logs',comment='Linear')
np.random.seed(100)
x_train = np.linspace(-1, 1, 100).reshape(100,1)
y_train = 3*np.power(x_train, 2) +2+ 0.2*np.random.rand(x_train.size).reshape(100,1)
model = nn.Linear(input_size, output_size)
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
for epoch in range(num_epoches):
inputs = torch.from_numpy(x_train).type(dtype)
targets = torch.from_numpy(y_train).type(dtype)
output = model(inputs)
loss = criterion(output, targets)
optimizer.zero_grad()
loss.backward()
optimizer.step()
# 保存loss的数据与epoch数值
writer.add_scalar('训练损失值', loss, epoch)
4.4.4用tensorboardX可视化特征图
利用tensorboardX对特征图进行可视化，不卷积层的特征图的抽取程度是不一样的。
x从cifair10数据集获取，具体请参考第6章代码pytorch-06。
import torchvision.utils as vutils
writer = SummaryWriter(log_dir='logs',comment='feature map')
img_grid = vutils.make_grid(x, normalize=True, scale_each=True, nrow=2)
net.eval()
for name, layer in net._modules.items():
# 为fc层预处理x
x = x.view(x.size(0), -1) if "fc" in name else x
print(x.size())
x = layer(x)
print(f'{name}')
# 查看卷积层的特征图
if 'layer' in name or 'conv' in name:
x1 = x.transpose(0, 1) # C，B, H, W ---> B，C, H, W
img_grid = vutils.make_grid(x1, normalize=True, scale_each=True, nrow=4) # normalize进行归一化处理
writer.add_image(f'{name}_feature_maps', img_grid, global_step=0)
4.5 小结
本章详细介绍了Pytorch有关数据下载、预处理方面的一些常用包，以及对计算结果进行可视化的工具tensorboardX，并通过一个实例详细说明如何使用tensorboardX。