【深度学习】数据准备

深度学习的数据准备

完成一个深度学习的项目需要的四个步骤：

1. Prepare the data（准备数据）
2. Build the model（建立模型）
3. Train the model（训练模型）
4. Analyze the model’s results（分析模型的结果）

准备数据

准备数据将遵循ETL过程

1. extract（提取）
2. transform（转换）
3. load（加载）

我们从数据源提取数据，再将数据转换为理想的格式，然后将数据加载到一个合适的结构中进行查询和分析，需要引入的包如下：

import torch
import torchvision
import torchvision.transforms as transforms

1. torch是顶级的pytorch包和张量库
2. torchvision是一个提供对流行的数据集、模型架构和计算机视觉的图像转换的访问的包
3. torchvision.transforms 接口使我们能够访问图像处理的通用转换

torchvision包让我们可以接触以下资源：

1. Datasets（like MNIST and Fashion-MNIST）
2. Models
3. Transforms
4. Utils

在准备数据时，最终的目标是遵循ETL过程：

1. Extract - 从源获取Fashion MNIST数据
2. Transform - 将图像数据转换成一个pytorch张量
3. Load - 将数据放入一个使其易于访问的对象中

在完成上述内容时，pytorch为我们提供了两个类：

1. Dataset（数据集）
2. DataLoader（数据加载器）

Dataset类是表示数据集的抽象类，数据加载器封装数据集并提供对底层数据的访问。

由于需要使用数据集，所以我们需要一个继承了Dataset类的新类（非必须）来实现其中的抽象方法：

import torch
import torchvision
import torchvision.transforms as transforms
import torch.utils.data as data
import pandas as pd
import numpy as np

class OHLC(data.Dataset):
    def __init__(self, csv_file):
        self.data = pd.read_csv(csv_file)
        
    def __getitem__(self, index):
        r = self.data.iloc[index]
        label = torch.tensor(r.is_up_day, dtype=torch.long)
        sample = self.normailze(torch.tensor([r.open, r.high, r.low, r.close]))
        return sample, label
    
    def __len__(self):
        return len(self.data)

以torchvision为基础的Fashion-MNIST数据集类继承了Dataset类并实现了其中的抽象方法。因此，在实际操作中，我们通常使用Fashion-MNIST数据集类即可。

什么是MNIST

MNIST数据集是经修改的国家标准与技术研究所数据库，是一个著名的手写数字数据集，通常用于机器学习的图像处理系统的培训。NIST代表国家标准与技术研究所。

MNIST中的M代表modified，这是因为有一个原始的NIST数字数据集被修改为MNIST。

MNIST因数据集的使用频率而闻名，其主要有两个原因：

1. 初学者使用它是因为它很容易
2. 研究人员用它来衡量（比较）不同的模型。

该数据集由70000张手写数字图像组成，图像分割如下：

• 60000张训练图像
• 10000张测试图像

这些图片最初是由美国人口普查局员工和美国高中生创作的。

什么是Fashion-MNIST

Fashion MNIST顾名思义就是一个时装项目的数据集。具体而言，数据集包含以下十类时尚项目：

数据集的示例如下所示：

MNIST与Fashion-MNIST的关系

Fashion-MNIST数据集名称中包含MNIST的原因是创建者试图用Fashion-MNIST替换MNIST。MNIST已经得到了广泛的应用，图像识别技术也有了很大的改进，以至于人们认为数据集过于简单。这就是创建Fashion MNIST数据集的原因。Fashion-MNIST的存在是为了让向PyTorch这样的框架可以通过改变获取数据的URL来添加Fashion-NMIST数据集，可以说PyTorch的Fashion-MNIST只是扩展了MNIST数据集并覆盖了其URL。

代码演示

（1）提取和转换数据

import torch
import torchvision
import torchvision.transforms as transforms

train_set = torchvision.datasets.FashionMNIST(
    root='./data/FashionMNIST'                  # 提取
    ,train=True
    ,download=True
    ,transform=transforms.Compose([             # 转换
        transforms.ToTensor()
    ])
)

其中，第一个参数root是路径，这是数据所在磁盘的位置，第二个参数train设置为true，表明将数据用作训练集，第三个参数download设置为true，表明如果数据没有出现在指定的文件路径，则进行下载，最后一个参数transform，这里传递了一个转换组合，这些转换应该在数据集元素上执行，因为我们想把图像转换成张量，所以，我们用内置的ToTensor变换。

（2）在数据加载器对象中封装数据

train_loader = torch.utils.data.DataLoader(
    train_set, batch_size=10                    # 加载
)

其中，batch_size指定批处理大小。

（3）访问训练集中的数据

import matplotlib.pyplot as plt
sample = next(iter(train_set))
image, label = sample
print(image.shape)
plt.imshow(image.squeeze(), cmap='gray')

显示结果：

torch.Size([1, 28, 28])

如果在jupyter notebook中使用plt.imshow函数，出现内核挂掉（内存不足），导致图片无法显示，可加入如下代码：

import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"

上面是处理单个数据的情况，接下来是利用数据加载器，处理批量数据：

batch = next(iter(train_loader))
print(len(batch))
print(type(batch))
images, labels =batch
print(images.shape)
print(labels.shape)

显示结果：

2

torch.Size([10, 1, 28, 28])
torch.Size([10])

接着，可以使用torchvision.utils.make_grid函数一次性画出整批图像：

grid = torchvision.utils.make_grid(images, nrow=10)   # nrow指定显示在每行的图片数（这个根据batch的大小来设置）

plt.figure(figsize=(15,15))
plt.imshow(np.transpose(grid, (1,2,0)))

print('labels:',labels)

显示结果：