『MXNet』第八弹_数据处理API_上

一、Gluon数据加载

下面的两个dataset处理类一般会成对出现，两个都可做预处理，但是由于后面还可能用到原始图片，.ImageFolderDataset不加预处理的话可以满足，所以建议在.DataLoader预处理

图片数据(含标签)加载函数：gluon.data.vision.ImageFolderDataset

• .synsets，标签名列表list，因为实际存储位置是数字
• .__len__

给出ImageFolderDataset类的描述，

Init signature:
 mxnet.gluon.data.vision.datasets.ImageFolderDataset(root, flag=1, transform=None)
Source:        
class ImageFolderDataset(dataset.Dataset):
    """A dataset for loading image files stored in a folder structure like::

        root/car/0001.jpg
        root/car/xxxa.jpg
        root/car/yyyb.jpg
        root/bus/123.jpg
        root/bus/023.jpg
        root/bus/wwww.jpg

    Parameters
    ----------
    root : str
        Path to root directory.
    flag : {0, 1}, default 1  # 控制彩色or灰度
        If 0, always convert loaded images to greyscale (1 channel).
        If 1, always convert loaded images to colored (3 channels).
    transform : callable, default None
        A function that takes data and label and transforms them:
    ::

        transform = lambda data, label: (data.astype(np.float32)/255, label)

    Attributes
    ----------
    synsets : list  # 查看类别，实际就是文件名
        List of class names. `synsets[i]` is the name for the integer label `i`
    items : list of tuples  # 生成的数据
        List of all images in (filename, label) pairs.
    """

实例：

train_imgs = gluon.data.vision.ImageFolderDataset(
    data_dir+'/hotdog/train',
    transform=lambda X, y: transform(X, y, train_augs))
test_imgs = gluon.data.vision.ImageFolderDataset(
    data_dir+'/hotdog/test',
    transform=lambda X, y: transform(X, y, test_augs))

print(train_imgs)
print(train_imgs.synsets)
data = gluon.data.DataLoader(train_imgs, 32, shuffle=True)

<mxnet.gluon.data.vision.datasets.ImageFolderDataset object at 0x7fbed5641c18>
['hotdog', 'not-hotdog']

batch迭代器：gluon.data.DataLoader

具有特殊方法，def __iter__(self)，其实例可以被迭代，也就是每次返回一个batch的数据，在第一维度上切割。

首个定位参数文档如下：

dataset : Dataset
        Source dataset. Note that numpy and mxnet arrays can be directly used
        as a Dataset.

最后生成的X_batch送入net(X_batch)向前传播，y_batch送入loss(output,y_batch)计算loss后反向传播。

二、MXNet.io：数据读取迭代器

 https://blog.csdn.net/qq_36165459/article/details/78394322

从内存中读取数据

当数据存储在内存中，由NDArray 或numpy ndarray 支持时，我们可以使用NDArrayIter 读取数据：

import mxnet as mx
import numpy as np

data = np.random.rand(100,3)  # 100个数据每个数据3特征
label = np.random.randint(0, 10, (100,))  # 100个标签
data_iter = mx.io.NDArrayIter(data=data, label=label, batch_size=30)
for batch in data_iter:
    print([batch.data, batch.label, batch.pad],'
')

 

从CSV文件中读取数据

MXNet提供 CSVIter 从CSV文件中读取数据，用法如下：

#lets save `data` into a csv file first and try reading it back
np.savetxt('data.csv', data, delimiter=',')
# data_shape对应不上会报错
data_iter = mx.io.CSVIter(data_csv='data.csv', data_shape=(3,), batch_size=30)  

for batch in data_iter:
    print([batch.data, batch.pad])

 

以上两种方法中的pad属性为int，表示有多少条数据是补充的(最后一个batch数据不够时的策略)。

三、MXNet.recordio：二进制rec文件交互

RecordIO是MXNet用于数据IO的文件格式，文件后缀为.rec。

它紧凑地打包数据，以便从Hadoop HDFS和AWS S3等分布式文件系统进行高效的读写。 MXNet提供MXRecordIO 和MXIndexedRecordIO，用于数据的顺序访问和随机访问。

注意，.rec文件写入的必须是整数或者二进制数据。

mx.recordio.MXRecordIO：顺序式rec文件

首先，我们来看一下如何使用MXRecordIO 顺序读写的例子，

record = mx.recordio.MXRecordIO('tmp.rec', 'w')
for i in range(5):
    record.write(b'record_%d'%i)
record.close()

通过r 选项打开文件来读取数据，如下所示，

record = mx.recordio.MXRecordIO('tmp.rec', 'r')
while True:
    item = record.read()
    if not item:
        break
    print (item)
record.close()

mx.recordio.MXIndexedRecordIO：随机索引式rec文件

MXIndexedRecordIO 支持随机或索引访问数据。 我们将创建一个索引记录文件和一个相应的索引文件，如下所示：

record = mx.recordio.MXIndexedRecordIO('tmp.idx', 'tmp.rec', 'w')
for i in range(5):
    record.write_idx(i, b'record_%d'%i)
record.close()

现在，我们可以使用键值访问各个记录：

record = mx.recordio.MXIndexedRecordIO('tmp.idx', 'tmp.rec', 'r')
record.read_idx(3)

还可以列出文件中的所有键：

record.keys

数据文件打包为规整的二进制结构

.rec文件中的每个记录都可以包含任意的二进制数据，然而，大多数深度学习任务需要以标签/数据格式作为输入。

mx.recordio 包为此类操作提供了一些实用功能，即：pack，unpack，pack_img 和unpack_img。

二进制数据的装包(mx.recordio.pack)与拆包(mx.recordio.unpack)

pack 和unpack 用于存储浮点数（或1维浮点数组）标签和二进制数据。

数据与头文件一起打包。

# pack
data = b'data'
label1 = 1.0
header1 = mx.recordio.IRHeader(flag=0, label=label1, id=1, id2=0)
s1 = mx.recordio.pack(header1, data)

label2 = [1.0, 2.0, 3.0]
header2 = mx.recordio.IRHeader(flag=3, label=label2, id=2, id2=0)
s2 = mx.recordio.pack(header2, data)

# unpack
print(mx.recordio.unpack(s1))
print(mx.recordio.unpack(s2))

(HEADER(flag=0, label=1.0, id=1, id2=0), b'data')
(HEADER(flag=3, label=array([ 1.,  2.,  3.], dtype=float32), id=2, id2=0), b'data')

mx.recordio.pack返回的s1、s2为二进制字节流，而mx.recordio.unpack则返回tuple。

s = mx.recordio.unpack(s1)
isinstance(s[0], tuple) 

 True

图像数据的装包与拆包

由于图片数据在DL中尤为常用，所以单独给图片数组设计出接口，这个接口可以接收numpy数组，自动将之转化为二进制数据存入文件，解压时逆向操作。

MXNet提供pack_img 和unpack_img 来打包/解压图像数据，pack_img 打包的记录可以由mx.io.ImageRecordIter 加载。

data = np.ones((3,3,1), dtype=np.uint8)
label = 1.0
header = mx.recordio.IRHeader(flag=0, label=label, id=0, id2=0)
s = mx.recordio.pack_img(header, data, quality=100, img_fmt='.jpg')

# unpack_img
print(mx.recordio.unpack_img(s))

 (HEADER(flag=0, label=1.0, id=0, id2=0),

  array([[1, 1, 1],

             [1, 1, 1],

             [1, 1, 1]], dtype=uint8))

四、自定义迭代器

自定义迭代器

当内置的迭代器不符合应用需求时，可以创建自己的自定义数据迭代器。

MXNet中的迭代器应该：

1. 实现Python2中的next() 或者Python3中的__ next() __，返回DataBatch 或者到数据流的末尾时抛出StopIteration 异常。
2. 实现reset() 方法，从头开始读取数据
3. 具有一个provide_data 属性，包括存储了数据的名称，形状，类型和布局信息的DataDesc 对象的列表
4. 具有一个provide_label 属性，包括存储了标签的名称，形状，类型和布局信息的DataDesc 对象的列表

当创建一个新的迭代器时，你既可以从头开始定义一个迭代器，也可以使用一个现有的迭代器。例如，在图像字幕应用中，输入样本是图像，而标签是句子。 因此，我们可以通过以下方式创建一个新的迭代器：

• 通过使用ImageRecordIter 创建一个image_iter，它提供多线程的预取和增强。
• 通过使用NDArrayIter 或 rnn 包中提供的bucketing 迭代器创建caption_iter 。
• next() 返回image_iter.next() 和caption_iter.next() 的组合结果

class SimpleIter(mx.io.DataIter):
    def __init__(self, 
                 # data_shaps:包含batch维的数据，data_gen:函数，接收参数data_shapes
                 data_names, data_shapes, data_gen,
                 # label_shaps:包含batch维的标签，label_gen:函数，接收参数label_shapes
                 label_names, label_shapes, label_gen,  
                 num_batches=10):
        """
        实际上这个class着重修改__init__和next即可，包证next的return是一个batch的数据
        n = 32
        data_iter = SimpleIter(['data'], [(n, 100)], 
                               [lambda s: np.random.uniform(-1, 1, s)], 
                               ['softmax_label'], [(n,)], 
                               [lambda s: np.random.randint(0, num_classes, s)])    
        """
        self._provide_data = zip(data_names, data_shapes)
        self._provide_label = zip(label_names, label_shapes)
        self.num_batches = num_batches
        self.data_gen = data_gen
        self.label_gen = label_gen
        self.cur_batch = 0

    def __iter__(self):
        return self

    def reset(self):
        self.cur_batch = 0

    def __next__(self):
        return self.next()

    @property
    def provide_data(self):
        return self._provide_data

    @property
    def provide_label(self):
        return self._provide_label

    def next(self):
        if self.cur_batch < self.num_batches:
            self.cur_batch += 1
            data = [mx.nd.array(g(d[1])) 
                    for d,g in zip(self._provide_data, self.data_gen)]
            label = [mx.nd.array(g(d[1])) 
                     for d,g in zip(self._provide_label, self.label_gen)]
            return mx.io.DataBatch(data, label)
        else:
            raise StopIteration

简单定义一个网络，

import mxnet as mx
num_classes = 10
net = mx.sym.Variable('data')
net = mx.sym.FullyConnected(data=net, name='fc1', num_hidden=64)
net = mx.sym.Activation(data=net, name='relu1', act_type="relu")
net = mx.sym.FullyConnected(data=net, name='fc2', num_hidden=num_classes)
net = mx.sym.SoftmaxOutput(data=net, name='softmax')
print(net.list_arguments())
print(net.list_outputs())

训练示意，

import logging
logging.basicConfig(level=logging.INFO)

n = 32
data_iter = SimpleIter(['data'], [(n, 100)],
                  [lambda s: np.random.uniform(-1, 1, s)],
                  ['softmax_label'], [(n,)],
                  [lambda s: np.random.randint(0, num_classes, s)])

mod = mx.mod.Module(symbol=net)
mod.fit(data_iter, num_epoch=5)