pytorch教程 （二） -- 处理数据

1.加载系统数据集

系统数据集可以从torchVision 中加载获取，
这里以 Fashion-MNIST 数据集的示例。Fashion-MNIST是Zalando文章图像的数据集，由6万个训练样本和10,000个样本组成。每个样本包括一个28×28灰度图像和来自10个类之一的相关标签

参数说明：

• root：指定数据集下载的路径
• train：指导下载的是训练集还是测试机，train=True为训练集，train=False为测试集
• download：download=True表示下载数据集，download=False表示不下载（如果下载了一次，程序为自动跳过下载）
• transform：指定数据集的数据转换（包含数据正则化，归一化，或者是图像旋转、图像灰度化等）
• ToTensor：将PIL图像或NumPy ndarray转换为Tensor。并将图像的像素值缩放到[0，1]范围内

import torch
from torch.utils.data import Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plt


training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)

2.创建自定义数据集

自定义数据集，首先先规定数据集需要的相关文件，以及文件的存储位置。

• 图像保存在img_dir目录中
• 图像的注释文件保存在annotations_file文件中
  
  具体如何生成注释文件参考我的另一篇文章
  注释文件生成

import os
import pandas as pd
from torchvision.io import read_image

class CustomImageDataset(Dataset):
    def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
        self.img_labels = pd.read_csv(annotations_file)
        self.img_dir = img_dir
        self.transform = transform
        self.target_transform = target_transform

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

    def __getitem__(self, idx):
        img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
        image = read_image(img_path)
        label = self.img_labels.iloc[idx, 1]
        if self.transform:
            image = self.transform(image)
        if self.target_transform:
            label = self.target_transform(label)
        return image, label

3.迭代和可视化数据集

labels_map = {
    0: "T-Shirt",
    1: "Trouser",
    2: "Pullover",
    3: "Dress",
    4: "Coat",
    5: "Sandal",
    6: "Shirt",
    7: "Sneaker",
    8: "Bag",
    9: "Ankle Boot",
}
figure = plt.figure(figsize=(8, 8))
cols, rows = 3, 3
for i in range(1, cols * rows + 1):
    sample_idx = torch.randint(len(training_data), size=(1,)).item()
    img, label = training_data[sample_idx]
    figure.add_subplot(rows, cols, i)
    plt.title(labels_map[label])
    plt.axis("off")
    plt.imshow(img.squeeze(), cmap="gray")
plt.show()

这里的img.squeeze()函数解释一下：
原始的img.shape为（H，W，1）
squeeze()函数的功能是：从矩阵shape中，去掉维度为1的。例如一个矩阵是的shape是（5， 1），使用过这个函数后，结果为（5，），因此img.squeeze() 对应的shape为（H，W）

4.DataLoaders为模型处理数据

DataLoader是一个迭代器，将数据集分成相同小批量，且每个小批量中样本，对应着样本的索引、数据和标签。

参数说明：

• batch_size：每个批次的样本个数
• shuffle：是否打乱数据集顺序
• num_workers：使用几个线程来处理这些数据，线程越多处理速度越快

from torch.utils.data import DataLoader

train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True，num_workers=2)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True，num_workers=2)

5.通过DataLoader迭代

# Display image and label.
train_features, train_labels = next(iter(train_dataloader))
print(f"Feature batch shape: {train_features.size()}")
print(f"Labels batch shape: {train_labels.size()}")
img = train_features[0].squeeze()
label = train_labels[0]
plt.imshow(img, cmap="gray")
plt.show()
print(f"Label: {label}")