pytorch-datase、dataloader、tensorboard和transform

目录

dataset数据

读取图片

TensorBoard使用

介绍

使用方法

常用函数-add_scalar()

常用函数-add_image()

numpy.array()对PIL图片转换

transform工具

​transform.totensor

opencv-numpy类型读取

opencv的下载

常见transform

compose函数

normalize函数

resize函数

torchvision数据集的使用

dataloader


dataset数据

在pytorch中如何读取数据主要有两类,一类是Dataset,另外一类是Dataloader,Dataset主要是提供一种方式去获取数据及其label,Dataloader为网络提供其不同的数据形式。

dataset:获取每一个数据和label

dataloader:提供不同的数据形式

pytorch-datase、dataloader、tensorboard和transform_第1张图片

下面为提供的数据集,然后分别打开jupyter和pycharm新建python项目

pytorch-datase、dataloader、tensorboard和transform_第2张图片

在jupyter键入如下,注意,在jupyter中使用help,可以得到排版很好的解释,在pycharm控制器中排版很混乱。

pytorch-datase、dataloader、tensorboard和transform_第3张图片

pycharm中加载数据集方法:新建工程-open in-exploar,然后将数据集复制在该工程下。

pytorch-datase、dataloader、tensorboard和transform_第4张图片

 pycharm中使用 Ctrl+P 可以看函数需要传入什么参数。

使用控制台可以显示相关的属性,可以进行调试

读取图片

from PIL import Image
img_path = "dataset/train/bees_image/16838648_415acd9e3f.jpg"

上述地址在相对路径中,数据集已经加载到项目,python控制台实时创建了相应的变量,并显示了类型。显示为字符串类型。

 如果要读取图片使用以下代码。

from PIL import Image
img_path = "dataset/train/bees_image/16838648_415acd9e3f.jpg"
img = Image.open(img_path)

 并创建了img的变量,在里面会显示img的属性,比如size等。如果要显示图片

img.size
Out[6]: (500, 450)
img.show()

首先我们要获取图片的地址,如果说我们想要通过索引的方式进行获取,可以通过 OS(operating system)(python中常用的系统的库)通过相应的索引来获取。如果想要获取所有的文件

dir_path = "dataset/train/bees_image"
import os
img_path_list = os.listdir(dir_path)

 pytorch-datase、dataloader、tensorboard和transform_第5张图片

我们可以看到第一个数组对应的第一个图片等,如果访问第一个图片的话,就可以输入以下代码

img_path_list[0]
Out[11]: '1092977343_cb42b38d62.jpg'
from torch.utils.data import Dataset
from PIL import Image
import os
class MyData(Dataset):
    def __init__(self,root_dir,label_dir):
        self.root_dir = root_dir    #大目录
        self.label_dir = label_dir    #子目录
        self.path = os.path.join(self.root_dir,self.label_dir)    #拼接
        self.img_path = os.listdir(self.path)

    def __getitem__(self, idx):
        img_name = self.img_path[idx]
        img_item_path = os.path.join(self.root_dir,self.label_dir,img_name)
        img = Image.open(img_item_path)
        label = self.label_dir
        return img,label
    def __len__(self):
        return len(self.img_path)

 展示图片


root_dir = "dataset/train"
ants_label_dir = "bees_image"

ants_dataset = MyData(root_dir,ants_label_dir)

img,label = ants_dataset[0]    #展示第一张
img.show()

数据集的相加

root_dir = "dataset/train"
ants_label_dir = "ants_image"
bees_label_dir = "bees_image"
ants_dataset = MyData(root_dir,ants_label_dir)
bees_dataset = MyData(root_dir,bees_label_dir)
train_dataset = ants_dataset+bees_dataset

pytorch-datase、dataloader、tensorboard和transform_第6张图片

TensorBoard使用

介绍

使用help查看文档或者按住Ctrl鼠标点击查看

介绍:将条目直接写入 log_dir 中的事件文件以供 TensorBoard 使用。`SummaryWriter` 类提供了一个高级 API,用于在给定目录中创建事件文件,并向其中添加摘要和事件。

导入库函数,utils就是torch中包括的常用的个工具箱集合,很常用

from torch.utils.tensorboard import SummaryWriter

使用方法

首先实例化Writer

writer = SummaryWriter(log_dir='logs',flush_secs=60)
  • log_dir:tensorboard文件的存放路径
  • flush_secs:表示写入tensorboard文件的时间间隔

常用函数-add_scalar()

add_scalar()函数的目的是添加一个标量数据(scalar data)到summary中,他怎么使用。

pytorch-datase、dataloader、tensorboard和transform_第7张图片

 运行以下程序,左侧会有一个logs的文件夹,tensorboard的事件文件pytorch-datase、dataloader、tensorboard和transform_第8张图片

 打开上述事件文件,使用terminal,使用以下指令打开,默认打开的是6006主机端口,但是都用一个端口的话就很麻烦,我们可以指定端口,按CTRL+C退出,再指定。点开端口以后即可打开。

 tensorboard --logdir=logs    #logdir=事件文件所在文件夹名

以下为绘制的 y=x 的图像,如果绘制 y = 2x,但是 writer.add_scalsr("y=x",i,i ) 里的 tag 仍为 y=x,这样就会导致在原有的图像上叠加  y = 2x 同时会出现拟合曲线,如下图,解决办法是:把左侧的事件文件删除,然后重新运行,terminal重新指定端口。

 pytorch-datase、dataloader、tensorboard和transform_第9张图片pytorch-datase、dataloader、tensorboard和transform_第10张图片

 常用函数-add_image()

pytorch-datase、dataloader、tensorboard和transform_第11张图片

下面我们查看我们训练的数据集的图像类型,如果不是以上的类型我们需要进行转换,我们可以看到图片的类型不是 add_image() 可以传入的参数类型(也可以通过右侧的变量显示看到类型),因此我们要进行格式转换,转换方法见下一级标题。

img_path="dataset/train/ants_image/0013035.jpg"
from PIL import Image
img = Image.open(img_path)
print(type(img))

 转化完成后使用 add_image() 打开,但是运行后发现报错,我们查看函数的说明

import numpy as np
from PIL import Image
from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter("logs")  #创建一个实例,并文件夹为logs
image_path = "dataset/train/ants_image/0013035.jpg"
img_PIL = Image.open(image_path)    #打开图片,此时为PIL类型
img_array = np.array(img_PIL)    #将图片转化为numpy
writer.add_image("test",img_array,1)  #调用函数,global参数传入第一步

for i in range(100):
    writer.add_scalar("y=x",2*i,i)
writer.close()

pytorch-datase、dataloader、tensorboard和transform_第12张图片我们在python控制台中查看 img_array 的shape类型,发现三通道确实是 3 在后面的类型,我们将进行修改,然后在terminal中打开即可查看图片。如果我们想要查看蜜蜂,我们将相对地址修改为蜜蜂,然后step步骤改为2,打开即可查看蜜蜂,拖动即可进行切换(因为有两步)。如果单独看蜜蜂只需要把 title 修改运行即可,这样设定步骤可以得到训练日志

pytorch-datase、dataloader、tensorboard和transform_第13张图片pytorch-datase、dataloader、tensorboard和transform_第14张图片

 pytorch-datase、dataloader、tensorboard和transform_第15张图片pytorch-datase、dataloader、tensorboard和transform_第16张图片

numpy.array()对PIL图片转换

import numpy as np
img = np.array(img)
print(type(img))

transform工具

打开transform函数,在这个函数中,点击structure可以看到里面定义的class,常用的就是前面的几个类。transform,就是拿一些图片,从transform中挑选工具(不同的class)然后输出想要的图片的结果。

pytorch-datase、dataloader、tensorboard和transform_第17张图片pytorch-datase、dataloader、tensorboard和transform_第18张图片

(13条消息) pytorch中transform的使用_NNNJY的博客-CSDN博客_pytorch transform

​transform.totensor

totensor中的_call_方法,使用魔法方法调用了里面的_call_函数才可以传参数,关于内置call如下

class person:
    def __call__(self, name):
        print("HELLO"+name)
    def hello(self,name):
        print("hello"+name)

a = person()
a("zhangsan")
a.hello("zhangsan")


HELLOzhangsan
hellozhangsan

tensor是张量,也就是数组,高维数组

为什么要转tensor类型?因为它包装了神经网络的一些参数

totensor也考虑了常用的一些类型 PILimg和numpy

pytorch-datase、dataloader、tensorboard和transform_第19张图片

from PIL import Image
from torchvision import transforms

#python 用法 -》tensor数据类型
#通过transforms.totensor去看两个问题
#1、transform如何使用 2、tensor数据类型

img_path = "dataset/train/ants_image/6240338_93729615ec.jpg"
img = Image.open(img_path)
print(img)
tensor_trans = transforms.ToTensor()
tensor_img = tensor_trans(img)
print(tensor_img)

进行读取图片,再通过terminal,打开端口。

from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
from PIL import Image
from torchvision import transforms

#python 用法 -》tensor数据类型
#通过transforms.totensor去看两个问题
#1、transform如何使用 2、tensor数据类型

img_path = "dataset/train/ants_image/6240338_93729615ec.jpg"
img = Image.open(img_path)

writer = SummaryWriter("logs")

tensor_trans = transforms.ToTensor()
tensor_img = tensor_trans(img)

writer.add_image("tensor_img",tensor_img)
writer.close()

opencv-numpy类型读取

pytorch-datase、dataloader、tensorboard和transform_第20张图片

opencv的下载

安装 opencv 或者安装 tensorboard,挡在pycharm中的terminal中安装不上时,使用anaconda中的pytoch环境安装上述包,即可安装完成。

pytorch-datase、dataloader、tensorboard和transform_第21张图片pytorch-datase、dataloader、tensorboard和transform_第22张图片

常见transform

关注(输入,输出,作用)图片的格式(*PIL,*tensor,*narrays)方法(Image.open,totensor,cv.imread)

从网络下载图片,并进行读取。

pytorch-datase、dataloader、tensorboard和transform_第23张图片

 compose函数

先中心裁剪---》再转化为tensor类型

pytorch-datase、dataloader、tensorboard和transform_第24张图片

from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import  transforms

writer = SummaryWriter("logs")
img = Image.open("image/OIP-C.jpg")
#将PIL通过transfor中的totensor转换为了tensor类型
#totensor的使用
tran_totensor = transforms.ToTensor()
img_tensor = tran_totensor(img)
writer.add_image("totensor",img_tensor)

pytorch-datase、dataloader、tensorboard和transform_第25张图片pytorch-datase、dataloader、tensorboard和transform_第26张图片

normalize函数

pytorch-datase、dataloader、tensorboard和transform_第27张图片

#normalize
trans_norm = transforms.Normalize([0.5,0.5,0.5],[0.5,0.5,0.5])
img_norm = trans_norm(img_tensor)
writer.add_image("normalize",img_norm)

左图为0.5归一化,右图为修改部分值后对比,记着改add_image的步骤 

 pytorch-datase、dataloader、tensorboard和transform_第28张图片pytorch-datase、dataloader、tensorboard和transform_第29张图片pytorch-datase、dataloader、tensorboard和transform_第30张图片

 resize函数

#resize
print(img.size)
trans_resize = transforms.Resize((100,100))
img_resize = trans_resize(img)
print(img_resize)

将原有的尺寸裁剪至100×100 ,图见上。

#resize
print(img.size)
trans_resize = transforms.Resize((100,100))
img_resize = trans_resize(img)
print(img_resize)
img_resize = tran_totensor(img_resize)
writer.add_image("resize",img_resize)

torchvision数据集的使用

pytorch官网有内置的数据集,现在讲torchvision和transform的联合使用。通过torchvision-download设置为true,可以直接下载。

pytorch-datase、dataloader、tensorboard和transform_第31张图片

pytorch-datase、dataloader、tensorboard和transform_第32张图片

 进行下载,左侧可以看到文件夹数据集

import torchvision
from torch.utils.tensorboard import SummaryWriter

train_set = torchvision.datasets.CIFAR10(root="./dataset",train=True,download=True)
test_set = torchvision.datasets.CIFAR10(root="./dataset",train=False,download=True)

print(test_set[0])  #(, 3)
img,target = test_set[0]    #img对应第一个图片,target对应后面的3

print(img)
print(target)
import torchvision
from torch.utils.tensorboard import SummaryWriter

dataset_transform = torchvision.transforms.Compose([
    torchvision.transforms.ToTensor()
])

train_set = torchvision.datasets.CIFAR10(root="./dataset",train=True,transform=dataset_transform,download=True)
test_set = torchvision.datasets.CIFAR10(root="./dataset",train=False,transform=dataset_transform,download=True)

print(test_set[0])  #已经转化为了tensor数据类型
writer = SummaryWriter("abc")   #把日志文件保存到abc

for i in range(10):    #测试数据集的前十张照片
    img,target = test_set[i]
    writer.add_image("testset",img,i)

writer.close()

然后通过terminal命令行打开即可

dataloader

加载器,讲数据加载到神经网络中,从dataset中取数据,从torch官网查看,参数基本都有默认值,只有dataset没有默认值

pytorch-datase、dataloader、tensorboard和transform_第33张图片

import torchvision
from torch.utils.data import DataLoader

#准备测试集
test_data = torchvision.datasets.CIFAR10("dataset",train=False,transform=torchvision.transforms.ToTensor())

test_loader= DataLoader(dataset=test_data,batch_size=4,shuffle=True,num_workers=0,drop_last=False)
#测试数据集第一张图片以及target
img,target = test_data[0]
print(img.shape)
print(target)

for data in test_loader:
    imgs,targets = data
    print(imgs.shape)
    print(targets)



#结果torch.Size([3, 32, 32])
#3

 如果想要展示,使用summarywriter

writer = SummaryWriter("dataloader")
step = 0
for data in test_loader:
    imgs,targets = data
    writer.add_images("test_data",imgs,step)
    step = step+1
writer.close()

你可能感兴趣的:(pytorch,深度学习,python)