PyTorch常用工具（1）数据处理
文章目录
- 前言
- 1 数据处理
-
- 1.1 Dataset
- 1.2 DataLoader
前言
在训练神经网络的过程中需要用到很多的工具，最重要的是数据处理、可视化和GPU加速。本章主要介绍PyTorch在这些方面常用的工具模块，合理使用这些工具可以极大地提高编程效率。
由于内容较多，本文分成了五篇文章（1）数据处理（2）预训练模型（3）TensorBoard（4）Visdom（5）CUDA与小结。
整体结构如下：
- 1 数据处理
- 1.1 Dataset
- 1.2 DataLoader
- 2 预训练模型
- 3 可视化工具
- 3.1 TensorBoard
- 3.2 Visdom
- 4 使用GPU加速：CUDA
- 5 小结
全文链接：
- PyTorch中常用的工具（1）数据处理
- PyTorch常用工具（2）预训练模型
- PyTorch中常用的工具（3）TensorBoard
- PyTorch中常用的工具（4）Visdom
- PyTorch中常用的工具（5）使用GPU加速：CUDA
1 数据处理
解决深度学习问题的过程中，往往需要花费大量的精力去处理数据，包括图像、文本、语音或其他二进制数据等。数据的处理对训练神经网络来说十分重要，良好的数据处理不仅会加速模型训练，而且会提高模型效果。考虑到这一点，PyTorch提供了几个高效便捷的工具，帮助使用者进行数据处理、数据增强等操作，同时可以通过并行化加速数据加载的过程。
1.1 Dataset
在PyTorch中，数据加载可以通过自定义的数据集对象实现。数据集对象被抽象为Dataset类，实现自定义的数据集需要继承Dataset，并实现以下两个Python魔法方法。
__getitem__()：返回一条数据，或一个样本。obj[index]等价于obj.__getitem__(index)。__len__()：返回样本的数量。len(obj)等价于obj.__len__()。
下面以Kaggle经典挑战赛"Dogs vs. Cats"的数据为例，详细讲解如何进行数据预处理。"Dogs vs. Cats"是一个分类问题，它的任务是判断一张图片是狗还是猫。在该问题中，所有图片都存放在一个文件夹下，可以根据文件名的前缀得到它们的标签值（狗或者猫）。
In: %env LS_COLORS = None
!tree --charset ascii data/dogcat/
Out: env: LS_COLORS=None
data/dogcat/
|-- cat.12484.jpg
|-- cat.12485.jpg
|-- cat.12486.jpg
|-- cat.12487.jpg
|-- dog.12496.jpg
|-- dog.12497.jpg
|-- dog.12498.jpg
`-- dog.12499.jpg
0 directories, 8 files
In: import torch as t
from torch.utils.data import Dataset
print(t.__version__)
Out: 1.8.0
In: import os
from PIL import Image
import numpy as np
class DogCat(Dataset):
def __init__(self, root):
imgs = os.listdir(root)
# 所有图片的绝对路径
# 这里不实际加载图片，只是指定路径，当调用__getitem__时才会真正读取图片
self.imgs = [os.path.join(root, img) for img in imgs]
def __getitem__(self, index):
img_path = self.imgs[index]
# dog->1， cat->0
label = 1 if 'dog' in img_path.split('/')[-1] else 0
pil_img = Image.open(img_path)
array = np.asarray(pil_img)
data = t.tensor(array)
return data, label
def __len__(self):
return len(self.imgs)
In: dataset = DogCat('./data/dogcat/')
img, label = dataset[0] # 相当于调用dataset.__getitem__(0)
for img, label in dataset:
print(img.size(), img.float().mean(), label)
Out: torch.Size([374, 499, 3]) tensor(115.5177) 0
torch.Size([377, 499, 3]) tensor(151.7174) 1
torch.Size([400, 300, 3]) tensor(128.1550) 1
torch.Size([499, 379, 3]) tensor(171.8085) 0
torch.Size([375, 499, 3]) tensor(116.8139) 1
torch.Size([500, 497, 3]) tensor(106.4915) 0
torch.Size([375, 499, 3]) tensor(150.5079) 1
torch.Size([236, 289, 3]) tensor(130.3004) 0
上面的代码讲解了如何定义自己的数据集，并对数据集进行遍历。然而，这里返回的数据并不适合实际使用，主要存在以下两个问题。
-
返回样本的形状不统一，也就是每张图片的大小不一样，这对于按batch训练的神经网络来说很不友好。
-
返回样本的数值较大，没有进行归一化。
针对上述问题，PyTorch提供了torchvision工具包。torchvision是一个视觉工具包，它提供了很多视觉图像处理的工具，其中transforms模块提供了一系列数据增强的操作。本章仅对它的部分操作进行介绍，完整内容可参考官方相关文档。
仅支持PIL Image对象的常见操作如下。
-
RandomChoice：在一系列transforms操作中随机执行一个操作。 -
RandomOrder：以随意顺序执行一系列transforms操作。
仅支持Tensor对象的常见操作如下。
Normalize：标准化，即减去均值，除以标准差。RandomErasing：随机擦除Tensor中一个矩形区域的像素。ConvertImageDtype：将Tensor转换为指定的类型，并进行相应的缩放。
PIL Image对象与Tensor对象相互转换的操作如下。
ToTensor：将 H × W × C H\times W\times C H×W×C形状的PIL Image对象转换成形状为 C × H × W C\times H\times W C×H×W的Tensor，同时会自动将[0, 255]归一化至[0, 1]。ToPILImage：将Tensor转为PIL Image对象。
既支持PIL Image对象，又支持Tensor对象的常见操作如下。
-
Resize：调整图片尺寸。 -
CenterCrop、RandomCrop、RandomResizedCrop、FiveCrop： 按照不同规则对图像进行裁剪。 -
RandomAffine：随机进行仿射变换，保持图像中心不变。 -
RandomGrayscale：随机将图像变为灰度图。 -
RandomHorizontalFlip、RandomVerticalFlip、RandomRotation：随机水平翻转、垂直翻转、旋转图像。
如果需要对图片进行多个操作，那么可以通过transforms.Compose将这些操作拼接起来，这点类似于nn.Sequential**。注意，这些操作定义后以对象的形式存在，真正使用时需要调用__call__方法，这点类似于nn.Module。**例如，要将图片的大小调整至 224 × 224 224\times 224 224×224，首先应构建操作trans = Resize((224, 224))，然后调用trans(img)。下面使用transforms的这些操作来优化上面的Dataset：
In: import os
from PIL import Image
import numpy as np
from torchvision import transforms as T
transform = T.Compose([
T.Resize(224), # 缩放图片(Image)，保持长宽比不变，最短边为224像素
T.CenterCrop(224), # 从图片中间切出224×224的图片
T.ToTensor(), # 将图片(Image)转成Tensor，归一化至[0, 1]
T.Normalize(mean=[.5, .5, .5], std=[.5, .5, .5]) # 标准化至[-1, 1]，规定均值和标准差
])
class DogCat(Dataset):
def __init__(self, root, transforms=None):
imgs = os.listdir(root)
self.imgs = [os.path.join(root, img) for img in imgs]
self.transforms = transforms
def __getitem__(self, index):
img_path = self.imgs[index]
label = 0 if 'dog' in img_path.split('/')[-1] else 1
data = Image.open(img_path)
if self.transforms:
data = self.transforms(data)
return data, label
def __len__(self):
return len(self.imgs)
dataset = DogCat('./data/dogcat/', transforms=transform)
img, label = dataset[0]
for img, label in dataset:
print(img.size(), label)
Out: torch.Size([3, 224, 224]) 1
torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 1
torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 1
torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 1
除了上述操作，transforms还可以通过Lambda封装自定义的转换策略。例如，如果要对PIL Image对象进行随机旋转，那么可以写成：trans = T.Lambda(lambda img: img.rotate(random() * 360))。
与torch.nn以及torch.nn.functional类似，torchvision将transforms分解为torchvision.transforms以及torchvision.transforms.functional。相比于transforms，transforms.functional为用户提供了更加灵活的操作，读者在使用时需要自己指定所有的参数。部分transforms.functional提供的操作如下，完整内容可参考官方文档。
adjust_brightness，adjust_contrast：调整图像的亮度、对比度。crop，center_crop，five_crop，ten_crop：对图像按不同规则进行裁剪。normalize：标准化，即减均值，除以标准差。to_tensor：将PIL Image对象转成Tensor。
可以看出，transforms.functional中的操作与transforms十分类似。相对于transforms而言，transforms.functional可以对多个对象以相同的参数进行操作，举例说明如下：
import torchvision.transforms.functional as TF
import random
def transforms_rotate(image1, image2):
angle = random.randint(0, 360)
image1 = TF.rotate(image1, angle)
image2 = TF.rotate(image2, angle)
return image1, image2
除了对数据进行增强操作的transforms，torchvision还预先实现了常用的dataset，包括前面使用过的CIFAR-10，以及ImageNet、COCO、MNIST、LSUN等数据集，用户可以通过诸如torchvision.datasets.CIFAR10的命令进行调用，具体使用方法请参考官方文档。本节介绍一个读者会经常使用到的Dataset——ImageFolder，它的实现和上述的DogCat十分类似。ImageFolder假设所有的图片按文件夹保存，每个文件夹下存储同一个类别的图片，文件夹名为类名，它的构造函数如下：
ImageFolder(root, transform=None, target_transform=None, loader=default_loader, is_valid_file=None)
它主要有以下五个参数。
root：在root指定的路径下寻找图片。transform：对PIL Image进行相关数据增强，transform的输入是使用loader读取图片的返回对象。target_transform：对label的转换。loader：指定加载图片的函数，默认操作是读取为PIL Image对象。is_valid_file：获取图像路径，检查文件的有效性。
在生成数据的label时，首先按照文件夹名进行顺序排序，然后将文件夹名保存为字典，即{类名：类序号（从0开始）}。一般来说，最好直接将文件夹命名为从0开始的数字，这样会和ImageFolder实际的label一致。如果不是这种命名规范，那么建议通过self.class_to_idx属性了解label和文件夹名的映射关系。
In: !tree --charset ASCII data/dogcat_2/
Out: data/dogcat_2/
|-- cat
| |-- cat.12484.jpg
| |-- cat.12485.jpg
| |-- cat.12486.jpg
| `-- cat.12487.jpg
`-- dog
|-- dog.12496.jpg
|-- dog.12497.jpg
|-- dog.12498.jpg
`-- dog.12499.jpg
2 directories, 8 files
In: from torchvision.datasets import ImageFolder
dataset = ImageFolder('data/dogcat_2/')
# cat文件夹的图片对应label 0，dog对应1
dataset.class_to_idx
Out: {'cat': 0, 'dog': 1}
In: # 所有图片的路径和对应的label
dataset.imgs
Out: [('data/dogcat_2/cat/cat.12484.jpg', 0),
('data/dogcat_2/cat/cat.12485.jpg', 0),
('data/dogcat_2/cat/cat.12486.jpg', 0),
('data/dogcat_2/cat/cat.12487.jpg', 0),
('data/dogcat_2/dog/dog.12496.jpg', 1),
('data/dogcat_2/dog/dog.12497.jpg', 1),
('data/dogcat_2/dog/dog.12498.jpg', 1),
('data/dogcat_2/dog/dog.12499.jpg', 1)]
In: # 没有任何的transforms操作，所以返回的还是PIL Image对象
print(dataset[0][1]) # 第一维是第几张图，第二维为1返回label
dataset[0][0] # 第二维为0返回图片数据
Out: 0
In: # 加上transforms
transform = T.Compose([
T.RandomResizedCrop(224),
T.RandomHorizontalFlip(), # 水平翻转
T.ToTensor(),
T.Normalize(mean=[.5, .5, .5], std=[.5, .5, .5]),
])
In: dataset = ImageFolder('data/dogcat_2/', transform=transform)
# 深度学习中图片数据一般保存成C×H×W，即通道数×图片高×图片宽
dataset[0][0].size()
Out: torch.Size([3, 224, 224])
In: to_img = T.ToPILImage()
# 0.2和0.4是标准差和均值的近似
to_img(dataset[0][0] * 0.2 + 0.4)
1.2 DataLoader
Dataset只负责数据的抽象，调用一次__getitem__返回一个样本。然而，在训练神经网络时，一次处理的对象是一个batch的数据，同时还需要对一批数据进行打乱顺序和并行加速等操作。考虑到这一点，PyTorch提供了DataLoader实现这些功能。
DataLoader的定义如下：
DataLoader(dataset, batch_size=1, shuffle=False, sampler=None, batch_sampler=None, num_workers=0, collate_fn=None, pin_memory=False, drop_last=False, timeout=0, worker_init_fn=None, multiprocessing_context=None, generator=None, *, prefetch_factor=2, persistent_workers=False)
它主要有以下几个参数。
dataset：加载的数据集（Dataset对象）。batch_size：一个batch的大小。shuffle：是否将数据打乱。sampler：样本抽样，后续会详细介绍。batch_sampler：与sampler类似，一次返回一个batch的索引（该参数与batch_size、shuffle、sampler和drop_last不兼容）。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中的数据转移到GPU速度更快。drop_last：dataset中的数据个数可能不是batch_size的整数倍，若drop_last为True，则将多出来不足一个batch的数据丢弃。timeout：进程读取数据的最大时间，若超时则丢弃数据。worker_init_fn：每个worker的初始化函数。prefetch_factor：每个worker预先加载的样本数。
下面举例说明DataLoader的使用方法：
In: from torch.utils.data import DataLoader
dataloader = DataLoader(dataset, batch_size=3, shuffle=True, num_workers=0, drop_last=False)
dataiter = iter(dataloader)
imgs, labels = next(dataiter)
imgs.size() # batch_size, channel, height, width
Out: torch.Size([3, 3, 224, 224])
DataLoader是一个可迭代（iterable）对象，可以像使用迭代器一样使用它，例如：
for batch_datas, batch_labels in dataloader:
train()
或
dataiter = iter(dataloader)
batch_datas, batch_labels = next(dataiter)
在数据处理中，有时会出现某个样本无法读取等问题，例如某张图片损坏。此时在__getitem__函数中会抛出异常，最好的解决方案是将出错的样本剔除。如果不便于处理这种情况，那么可以返回None对象，然后在Dataloader中实现自定义的collate_fn，将空对象过滤掉。注意，这种情况下DataLoader返回的一个batch的样本数目会少于batch_size。
In: class NewDogCat(DogCat): # 继承前面实现的DogCat数据集
def __getitem__(self, index):
try:
# 调用父类的获取函数，即 DogCat.__getitem__(self, index)
return super().__getitem__(index)
except:
return None, None
from torch.utils.data.dataloader import default_collate # 导入默认的拼接方式
def my_collate_fn(batch):
'''
batch是一个list，每个元素是dataset的返回值，形如(data, label)
'''
# 过滤为None的数据
batch = [_ for _ in batch if _[0] is not None]
if len(batch) == 0: return t.Tensor()
return default_collate(batch) # 用默认方式拼接过滤后的batch数据
In: dataset = NewDogCat('data/dogcat_wrong/', transforms=transform)
dataset[8]
Out: (None, None)
In: dataloader = DataLoader(dataset, 2, collate_fn=my_collate_fn, num_workers=0, shuffle=True)
for batch_datas, batch_labels in dataloader:
print(batch_datas.size(), batch_labels.size())
Out: torch.Size([1, 3, 224, 224]) torch.Size([1])
torch.Size([2, 3, 224, 224]) torch.Size([2])
torch.Size([2, 3, 224, 224]) torch.Size([2])
torch.Size([2, 3, 224, 224]) torch.Size([2])
torch.Size([1, 3, 224, 224]) torch.Size([1])
从上述输出中可以看出，第1个batch的batch_size为1，这是因为有一张图片损坏，无法正常返回。最后1个batch的batch_size也为1，这是因为共有9张（包括损坏的文件）图片，无法整除2（batch_size），所以最后一个batch的样本数目小于batch_size。
对于样本损坏或数据集加载异常等情况，还可以通过其他方式解决，例如随机取一张图片代替出现异常的图片：
class NewDogCat(DogCat):
def __getitem__(self, index):
try:
return super().__getitem__(index)
except:
new_index = random.randint(0, len(self) - 1)
return self[new_index]
相比于丢弃异常图片而言，这种做法会更好一些，它能保证每个batch的样本数目仍然是batch_size，但是在大多数情况下，最好的方式还是对数据进行彻底清洗。
DataLoader中没有太多的魔法方法，它封装了Python的标准库Multiprocessing，能够实现多进程加速，下面对DataLoader的多进程并行原理进行简要介绍。
DataLoader默认使用单进程加载数据，这样的加载方式较慢，但在系统资源有限、数据集较小能够直接加载时十分推荐。这是因为在单进程的工作模式下，若发生异常，用户在调试时能够获取更多错误信息。当数据量较大时，可以通过num_workers参数进行多进程的数据读取，多进程并行流程如下图所示。
在多进程加载数据时，每一个进程都会拷贝Dataset对象，并执行_worker_loop函数。首先，主进程生成一个batch的数据索引，并保存在队列index_queue中。然后，每个子进程执行_worker_loop函数，根据index_queue在拷贝的Dataset对象中执行__getitem__函数，获取数据。最后，每个子进程将自身获取的数据放至work_result_queue队列中，通过collate_fn处理数据，最终得到一个batch的数据data_queue。重复执行上述流程，DataLoader就实现了多进程的数据加载，更多细节读者可以参考DataLoader的相关源码。
在Dataset和DataLoader的使用方面有以下建议。
-
将高负载的操作放在
__getitem__中，例如加载图片等。在多进程加载数据时，程序会并行地调用__getitem__函数，将负载高的操作放在__getitem__函数中能够实现并行加速。 -
Dataset中应当尽量仅包含只读对象，避免修改任何可变对象。在多进程加载数据时，每个子进程都会拷贝Dataset对象。如果某一个进程修改了部分数据，那么在另外一个进程的拷贝中，这部分数据并不会被修改。下面是一个不好的例子：希望self.idxs返回的结果是[0,1,2,3,4,5,6,7,8]，实际上4个进程最终的self.idxs分别是[0,4,8],[1,5],[2,6],[3,7]。而dataset.idxs则是[]， 因为它并未参与迭代，并行处理的是它的四个拷贝。
class BadDataset:
def __init__(self):
self.idxs = [] # 取数据的次数
def __getitem__(self, index):
self.idxs.append(index)
return self.idxs
def __len__(self):
return 9
dataset = BadDataset()
dl = t.utils.data.DataLoader(dataset, num_workers=4)
for item in dl:
print(item) # 注意这里self.idxs的数值
print('idxs of main', dataset.idxs) # 注意这里的idxs和__getitem__返回的idxs的区别
使用Multiprocessing库时还有另外一个问题，在使用多进程加载中，如果主程序异常终止（例如使用快捷键“Ctrl+C”强行退出），那么相应的数据加载进程可能无法正常退出。虽然发现程序已经退出了，但是GPU显存和内存仍然被占用着，通过top、ps aux也能够看到已经退出的程序，这时就需要手动强行杀掉进程，建议使用如下命令：
ps x | grep <cmdline> | awk '{print $1}' | xargs kill
ps x：获取当前用户的所有进程。grep：找到已经停止的PyTorch程序的进程，例如通过python train.py启动程序，需要写成grep 'python train.py'。awk '{print $1}'：获取进程的pid。xargs kill：杀掉进程，根据需要可能需要写成xargs kill -9强制杀掉进程。
在执行这句命令之前，建议先确认仍有未停止进程：
ps x | grep <cmdline>
PyTorch中还单独提供了一个Sampler模块，用来对数据进行采样。常用的有随机采样器RandomSampler，当DataLoader的shuffle参数为True时，系统会自动调用这个采样器打乱数据。默认的采样器是SequentialSampler，它会按顺序一个一个进行采样。这里介绍另外一个很有用的采样方法：WeightedRandomSampler，它会根据每个样本的权重选取数据，在样本比例不均衡的问题中，可用它进行重采样。
构建WeightedRandomSampler时需提供两个参数：每个样本的权重weights、选取的样本总数num_samples以及一个可选参数replacement。权重越大的样本被选中的概率越大，待选取的样本数目一般小于全部的样本数目。replacement用于指定是否可以重复选取某一个样本，默认为True，即允许在一个epoch中重复采样某一个数据。如果设为False，那么当某一类的样本被全部选取完，但样本数目仍然未达到num_samples时，sampler不会再从该类中选择数据，此时可能导致weights参数失效。下面举例说明：
In: dataset = DogCat('data/dogcat/', transforms=transform)
# 假设狗的图片被取出的概率是猫的概率的两倍
# 两类图片被取出的概率与weights的绝对大小无关，只和比值有关
weights = [2 if label == 1 else 1 for data, label in dataset]
weights
Out: [2, 1, 1, 2, 1, 2, 1, 2]
In: from torch.utils.data.sampler import WeightedRandomSampler
sampler = WeightedRandomSampler(weights,\
num_samples=9,\
replacement=True)
dataloader = DataLoader(dataset,\
batch_size=3,\
sampler=sampler)
for datas, labels in dataloader:
print(labels.tolist())
Out: [1, 1, 0]
[0, 1, 1]
[1, 1, 0]
可以看出，猫狗样本比例约为1：2。同时，一共只有8个样本，但是却返回了9个，说明有样本被重复返回，这就是replacement参数的作用。下面将replacement设为False：
In: sampler = WeightedRandomSampler(weights, 8, replacement=False)
dataloader = DataLoader(dataset, batch_size=4, sampler=sampler)
for datas, labels in dataloader:
print(labels.tolist())
Out: [1, 0, 1, 0]
[1, 1, 0, 0]
在replacement为False的情况下，num_samples等于dataset的样本总数。为了不重复选取，Sampler会将每个样本都返回，weight参数不再生效。
从上面的例子中可以看出Sampler在样本采样中的作用：如果指定了Sampler，那么shuffle参数不再生效，并且sampler.num_samples会覆盖dataset的实际大小，即一个epoch返回的图片总数取决于sampler.num_samples。
本小节介绍了数据加载中两个常见的操作：Dataset与DataLoader，并结合实际数据对它们的魔法方法与底层原理进行了详细介绍。数据准备与加载是神经网络训练中最基本的环节之一，读者应该熟悉其常见操作。