PyTorch系列 - PyTorch数据读取 (二)

文章首发于：WangW Blog，转载请注明出处。
Pytorch系列：

• PyTorch系列 - PyTorch使用总览 (一)
• PyTorch系列 - PyTorch数据读取 (二)
• PyTorch系列 - PyTorch网络构建 (三)
• PyTorch系列 - PyTorch网络配置 (四)
• PyTorch系列 - PyTorch其它配置 (五)

参考：

1. PyTorch documentation
2. PyTorch 码源

本文首先介绍了有关预处理包的源码，接着介绍了在数据处理中的具体应用；
其主要目录如下：

1 PyTorch数据预处理以及源码分析 (torch.utils.data)

torch.utils.data脚本码源

1.1 Dataset

Dataset

class torch.utils.data.Dataset

表示Dataset的抽象类。所有其他数据集都应该进行子类化。
所有子类应该override__len__和__getitem__，前者提供了数据集的大小，后者支持整数索引，范围从0到len(self)。

class Dataset(object):
	# 强制所有的子类override getitem和len两个函数，否则就抛出错误；
	# 输入数据索引，输出为索引指向的数据以及标签；
	def __getitem__(self, index):
		raise NotImplementedError
	
	# 输出数据的长度
	def __len__(self):
		raise NotImplementedError
		
	def __add__(self, other):
		return ConcatDataset([self, other])

TensorDataset

class torch.utils.data.TensorDataset(*tensors)

Dataset的子类。包装tensors数据集；输入输出都是元组；
通过沿着第一个维度索引一个张量来回复每个样本。
个人感觉比较适用于数字类型的数据集，比如线性回归等。

class TensorDataset(Dataset):
	def __init__(self, *tensor):
		assert all(tensors[0].size(0) == tensor.size(0) for tensor in tensors)
		self.tensors = tensors
		
	def __getitem__(self, index):
		return tuple(tensor[index] for tensor in tensors
		
	def __len__(self):
		return self.tensors[0].size(0)

ConcatDateset

class torch.utils.data.ConcatDateset(datasets)

连接多个数据集。
目的：组合不同的数据集，可能是大规模数据集，因为连续操作是随意连接的。
datasets的参数：要连接的数据集列表
datasets的样式：iterable

class ConcatDataset(Dataset):
	@staticmethod
	def cumsum(sequence):
		# sequence是一个列表，e.g. [[1,2,3], [a,b], [4,h]]
		# return 一个数据大小列表，[3, 5, 7], 明显看的出来包含数据多少，第一个代表第一个数据的大小，第二个代表第一个+第二数据的大小，最后代表所有的数据大学；
	...
	def __getitem__(self, idx):
		# 主要是这个函数，通过bisect的类实现了任意索引数据的输出；
		dataset_idx = bisect.bisect_right(self.cumulative_size, idx)
		if dataset_idx == 0:
			sample_idx == idx
		else:
			sample_idx = idx - self.cumulative_sizes[dataset_idx -1]
		return self.datasets[dataset_idx][sample_idx]
	...

Subset

class torch.utils.data.Subset(dataset, indices)

选取特殊索引下的数据子集；
dataset：数据集；
indices：想要选取的数据的索引；

random_split

class torch.utils.data.random_split(dataset, lengths):

随机不重复分割数据集；
dataset：要被分割的数据集
lengths：长度列表，e.g. [7, 3]， 保证7+3=len(dataset)

1.2 DataLoader

DataLoader

class torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=False, sampler=None, batch_sampler=None, num_workers=0, collate_fn=<function default_collate>, pin_memory=False, drop_last=False, timeout=0, worker_init_fn=None)

数据加载器。
组合数据集和采样器，并在数据集上提供单进程或多进程迭代器。
参数：

• dataset (Dataset) - 从中加载数据的数据集。
• batch_size (int, optional) - 批训练的数据个数。
• shuffle (bool, optional) - 是否打乱数据集（一般打乱较好）。
• sampler (Sampler, optional) - 定义从数据集中提取样本的策略。如果指定，则忽略shuffle参数。
• batch_sampler (Sample, optional) - 和sampler类似，返回批中的索引。
• num_workers (int, optional) - 用于数据加载的子进程数。
• collate_fn (callable, optional) - 合并样本列表以形成小批量。
• pin_memory (bool, optional) - 如果为True，数据加载器在返回去将张量复制到CUDA固定内存中。
• drop_last (bool, optional) - 如果数据集大小不能被batch_size整除， 设置为True可以删除最后一个不完整的批处理。
• timeout (numeric, optional) - 正数，收集数据的超时值。
• worker_init_fn (callabel, optional) - If not None, this will be called on each worker subprocess with the worker id (an int in [0, num_workers - 1]) as input, after seeding and before data loading. (default: None)

特别重要：DataLoader中是不断调用DataLoaderIter

DataLoaderIter

class _DataLoaderIter(loader)

从DataLoader’s数据中迭代一次。其上面DataLoader功能都在这里；
插个眼，有空在分析这个

1.3 sampler

Sampler

class torch.utils.data.sampler.Sampler(data_source)

所有采样器的基础类；
每个采样器子类必须提供一个__iter__方法，提供一种迭代数据集元素的索引的方法，以及返回迭代器长度__len__方法。

class Sampler(object):
	def __init__(self, data_source):
		pass
		
	def __iter__(self):
		raise NotImplementedError
		
	def __len__(self):
		raise NotImplementedError

SequentialSampler

class torch.utils.data.SequentialSampler(data_source)

样本元素顺序排列，始终以相同的顺序。
参数：-data_source (Dataset) - 采样的数据

RandomSampler

class torch.utils.data.RandomSampler(data_source, replacement=False, num_samples=None)

样本随机排列，如果没有Replacement，将会从打乱的数据采样，否则，。。
参数：

• data_source (Dataset) - 采样数据
• num_samples (int) - 采样数据大小，默认是全部。
• replacement (bool) - 是否放回

SubsetRandomSampler

class torch.utils.data.SubsetRandomSampler(indices)

从给出的索引中随机采样，without replacement。
参数：

• indices (sequence) - 索引序列。

BatchSampler

class torch.utils.data.BatchSampler(sampler, batch_size, drop_last)

将采样封装到批处理索引。
参数：

• sampler (sampler) - 基本采样
• batch_size (int) - 批大小
• drop_last (bool) - 是否删掉最后的批次

weightedRandomSampler

class torch.utils.data.WeightedRandomSampler(weights, num_samples, replacement=True)

样本元素来自[0,…,len(weights)-1]， 给定概率（权重）。
参数：

• weights (list) - 权重列表。不需要加起来为1
• num_samplers (int) - 要采样数目
• replacement (bool) -

1.4 Distributed

DistributedSampler

class torch.utils.data.distributed.DistributedSampler(dataset, num_replicas=None, rank=None)

???没读呢

1.5 其它链接

1. PyTorch源码解读之torch.utils.data.DataLoader

2 torchvision

计算机视觉用到的库，文档以及码源如下：

1. torchvision documentation
2. torchvision
   其库主要包含一下内容：

• torchvision.datasets
  • MNIST
  • Fashion-MNIST
  • EMNIST
  • COCO
  • LSUN
  • ImageFolder
  • DatasetFolder
  • Imagenet-12
  • CIFAR
  • STL10
  • SVHN
  • Photo Tour
  • SBU
  • Flickr
  • VOC
• torchvision.models
  • Alexnet
  • VGG
  • ResNet
  • SqueezeNet
  • DenseNet
  • Inception v3
• torchvision.transforms
  • Transforms on PIL Image
  • Transfroms on torch.* Tensor
  • Conversion Transforms
  • Generic Transforms
  • Functional Transforms
• torchvision.utils

3 应用

3.1 init

具有一下图像数据如下表示：

• train
  • normal
    • 1.png
    • 2.png
    • …
    • 8000.png
  • tumor
    • 1.png
    • 2.png
    • …
    • 8000.png
• validation
  • normal
    • 1.png
  • tumor
    • 1.png

希望能够训练模型，使得能够识别tumor, normal两类，将tumor–>1, normal–>0。

3.2 数据读取

在PyTorch中数据的读取借口需要经过，Dataset和DatasetLoader (DatasetloaderIter)。下面就此分别介绍。

Dataset

首先导入必要的包。

import os

import numpy as np
from torch.utils.data import Dataset
from PIL import Image

np.random.seed(0)

其次定义MyDataset类，为了代码整洁精简，将不必要的操作全删，e.g. 图像剪切等。

class MyDataset(Dataset):
	
	def __init__(self, root, size=229, ):
		"""
		Initialize the data producer
		"""
		self._root = root
		self._size = size
		self._num_image = len(os.listdir(root))
		self._img_name = os.listdir(root)
	
	def __len__(self):
		return self._num_image
		
	def __getitem__(self, index):
		img = Image.open(os.path.join(self._root, self._img_name[index]))
		
		# PIF image: H × W × C
		# torch image: C × H × W
		img = np.array(img, dtype-np.float32).transpose((2, 0, 1))
		
		return img

DataLoader

将MyDataset封装到loader器中。

from torch.utils.data import DataLoader

# 实例化MyData
dataset_tumor_train = MyDataset(root=/img/train/tumor/)
dataset_normal_train = MyDataset(root=/img/train/normal/)
dataset_tumor_validation = MyDataset(root=/img/validation/tumor/)
dataset_normal_validation = MyDataset(root=/img/validation/normal/)

# 封装到loader
dataloader_tumor_train = DataLoader(dataset_tumor_train, batch_size=10)
dataloader_normal_train = DataLoader(dataset_normal_train, batch_size=10)
dataloader_tumor_validation = DataLoader(dataset_tumor_validation, batch_size=10)
dataloader_normal_validation = DataLoader(dataset_normal_validation, batch_size=10)

3.3 train_epoch

简单将数据流接口与训练连接起来

def train_epoch(model, loss_fn, optimizer, dataloader_tumor, dataloader_normal):
	model.train()
	
	# 由于tumor图像和normal图像一样多，所以将tumor，normal连接起来，steps=len(tumor_loader)=len(normal_loader)
	steps = len(dataloader_tumor)
	batch_size = dataloader_tumor.batch_size
	dataiter_tumor = iter(dataloader_tumor)
	dataiter_normal = iter(dataloader_normal)
	
	for step in range(steps):
		data_tumor = next(dataiter_tumor)
		target_tumor = [1, 1,..,1] # 和data_tumor长度相同的tensor
		data_tumor = Variable(data_tumor.cuda(async=True))
		target_tumor = Variable(target_tumor.cuda(async=True))
		 
		data_normal = next(dataiter_normal)
		target_normal = [0, 0,..,0] # 
		data_normal = Variable(data_normal.cuda(async=True))
		target_normal = Variable(target_normal.cuda(async=True))
		
		idx_rand = Variable(torch.randperm(batch_size*2).cuda(async=True))
		
		data = torch.cat([data_tumor, data_normal])[idx_rand]
		target = torch.cat([target_tumor, target_normal])[idx_rand]
		output = model(data)
		loss = loss_fn(output, target)
		
		optimizer.zero_grad()
		loss.backward()
		optimizer.step()
		
		probs = output.sigmoid()