1. 数据处理
数据加载
在Pytorch 中，数据加载可以通过自己定义的数据集对象来实现。数据集对象被抽象为Dataset类，实现自己定义的数据集需要继承Dataset,并实现两个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__().
import torch as t
from torch.utils import data
import os
from PIL import Image
import numpy as np
class DogCat(data.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.from_numpy(array)
return data,label
def __len__(self):
return len(self.image)
dataset=DogCat('N:/百度网盘/kaggle/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)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
结果：
torch.Size([280, 300, 3]) tensor(71.6653) 0
torch.Size([396, 312, 3]) tensor(131.8400) 0
torch.Size([414, 500, 3]) tensor(156.6921) 0
torch.Size([375, 499, 3]) tensor(96.8243) 0
torch.Size([445, 431, 3]) tensor(103.8582) 1
torch.Size([373, 302, 3]) tensor(160.0512) 1
torch.Size([240, 288, 3]) tensor(95.1983) 1
torch.Size([499, 375, 3]) tensor(90.5196) 1- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
问题：结果大小不一，这对于batch训练的神经网络来说很不友好。
返回的样本数值交大，未归一化至【-1，1】
针对上述问题，pytorch提供了torchvision。它是一个视觉工具包，提供了很多视觉图像处理的工具。
其中transforms模块提供了对PIL Image对象和Tensor对象的常用操作。
对PIL Image的常见操作如下：
- Scale/Resize: 调整尺寸，长宽比保持不变； #Resize
- CenterCrop、RandomCrop、RandomSizedCrop：裁剪图片；
- Pad: 填充；
- ToTensor: 将PIL Image对象转换成Tensor,会自动将【0，255】归一化至【0，1】。
对Tensor的常见操作如下：
- Normalize: 标准化，即减均值，除以标准差；
-
ToPILImage:将Tensor转为PIL Image.
如果要对图片进行多个操作，可通过Compose将这些操作拼接起来，类似于nn.Sequential.
这些操作定义之后是以对象的形式存在，真正使用时需要调用它的__call__方法，类似于nn.Mudule.
例如：要将图片调整为224*224,首先应构建操作trans=Scale((224,224)),然后调用trans(img).
import os
from PIL import Image
import numpy as np
from torchvision import transforms as T
transforms=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), #从图片中间裁剪出224*224的图片
T.ToTensor(), #将图片Image转换成Tensor，归一化至【0,1】
T.Normalize(mean=[.5,.5,.5],std=[.5,.5,.5]) #标准化至【-1,1】，规定均值和方差
])
class DogCat(data.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]
#dog->1, cat->0
label=1 if 'dog' in img_path.split("/")[-1] else 0
data=Image.open(img_path)
if self.transforms:
data=self.transforms(data)
return data,label
def __len__(self):
return len(self.imgs)
dataset=DogCat('N:/百度网盘/kaggle/DogCat/', transforms=transforms)
img,label=dataset[0]#相当于调用dataset.__getitem__(0)
for img,label in dataset:
print(img.size(),label)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
结果：
torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 1
torch.Size([3, 224, 224]) 1
torch.Size([3, 224, 224]) 1
torch.Size([3, 224, 224]) 1- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
除了上述操作外，transforms还可以通过Lambda封装自定义的转换策略.
例如相对PIL Image进行随机旋转，则可以写成trans=T.Lambda(lambda img: img.rotate(random()*360)).
ImageFolder
下面介绍一个会经常使用到的Dataset——ImageFolder,它的实现和上述DogCat很相似。
ImageFolder假设所有的文件按文件夹保存，每个文件夹下存储同一个类别的图片，文件夹名为类名，其构造函数如下：
ImageFolder(root, transform=None, target_transform = None, loader = default_loader)
- 1
- 2
它主要有四个参数：
- root ：在root指定的路径下寻找图片
- transform: 对PIL Image进行转换操作， transform的输入是使用loader读取图片返回的对象；
- 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。
label是按照文件夹名顺序排序后存成字典的，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一直，如果不是这种命名规则，建议通过self.class_to_idx属性了解label和文件夹名的映射关系。
from torchvision.datasets import ImageFolder
dataset=ImageFolder('N:\data\')
dataset.class_to_idx- 1
- 2
- 3
运行结果：
{'cat': 0, 'dog': 1}- 1
输入：
#所有图片的路径和对应的label
dataset.imgs- 1
- 2
输出：
[('N:\data\cat\cat.1.jpg', 0),
('N:\data\cat\cat.2.jpg', 0),
('N:\data\cat\cat.3.jpg', 0),
('N:\data\cat\cat.4.jpg', 0),
('N:\data\dog\dog.9131.jpg', 1),
('N:\data\dog\dog.9132.jpg', 1),
('N:\data\dog\dog.9133.jpg', 1),
('N:\data\dog\dog.9134.jpg', 1)]- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
#没有任何的transform，所以返回的还是PIL Image对象
dataset[0][1] #第一维是第几张图，第二维为1返回label- 1
- 2
输出：0
dataset[0][0] #第一维是第几张图，第二维为0返回图片数据，返回的Image对象如图所示：- 1
输出：
加上transform：
normilize=T.Normalize(mean=[0.4,0.4,0.4],std=[0.2,0.2,0.2])
transform=T.Compose([
T.RandomResizedCrop (224),
T.RandomHorizontalFlip(),
T.ToTensor(),
normilize,
])- 1
- 2
- 3
- 4
- 5
- 6
- 7
dataset=ImageFolder('N:\data\',transform=transform)
#深度学习中图片数据一般保存为CxHxWx，即通道数x图片高x图片宽
dataset[0][0].size()- 1
- 2
- 3
输出：
torch.Size([3, 224, 224])- 1
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
- 3
输出：
DataLoader加载数据
Dateset只负责数据的抽象，一次调用__getitem__只返回一个样本。
在训练神经网络时，是对一个batch的数据进行操作，同时还要进行shuffle和并行加速等。
对此，pytorch提供了DataLoader帮助我们实现这些功能。
DataLoader的函数定义如下：
DataLoader(dataset, batch_size=1, shuffle=False, sampler=None,
num_workers=0, collate_fn=default_collate, pin_memory=False, drop_last=False)- 1
- 2
- dataset: 加载的数据集）Dataset对象；
- batch_size: 批大小；
- shuffle：是否将数据打乱；
- sampler：样本抽样
- 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中的数据转到GPU会快一些；
- drop_last：dataset 中的数据个数可能不是 batch_size的整数倍，drop_last为True会将多出来不足一个batch的数据丢弃。
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()- 1
- 2
- 3
- 4
- 5
- 6
输出：
torch.Size([3, 3, 224, 224])- 1
dataloader是一个可迭代的对象，我们可以像使用迭代器一样使用它，例如：
for batch_datas,batch_labels in dataloader:
train()- 1
- 2
或
dataiter=iter(dataloader)
batch_datas,batch_labels =next(dataiter)- 1
- 2
sampler：采样模块
Pytorch 中还提供了一个sampler模块，用来对数据进行采样。
常用的有随机采样器RandonSampler,当dataloader的shuffle参数为True时，系统会自动调用这个采样器 ，实现打乱数据。
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：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、共选取的样本总数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,则当某一类样本被全部选取完，但样本数目仍为达到num_samples时，sampler将不会再从该类中选取数据，此时可能导致weights参数失效。
下面举例说明：
1)
#dataset=DogCat('N:/百度网盘/kaggle/DogCat/',transforms=transforms)
dataset=DogCat('N:/百度网盘/kaggle/DogCat/', transforms=transforms)
#img,label=dataset[0]#相当于调用dataset.__getitem__(0)
#狗的图片取出的概率是猫的概率的两倍
#两类取出的概率与weights的绝对值大小无关，之和比值有关
weights=[2 if label==1 else 1 for data ,label in dataset]
weights- 1
- 2
- 3
- 4
- 5
- 6
- 7
输出：
[1, 1, 1, 1, 2, 2, 2, 2]- 1
2)
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())- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
输出:
[1, 0, 1]
[1, 0, 1]
[1, 0, 1]- 1
- 2
- 3
可见猫狗样本比例约为1：2，另外一共有8个样本，却返回了9个样本，说明样本有被重复返回的，这就是replacement参数的作用。
下面我们将replacement设置为False.
from torch.utils.data.sampler import WeightedRandomSampler
sampler=WeightedRandomSampler(weights,num_samples=8,replacement=False)
dataloader=DataLoader(dataset,batch_size=4,sampler=sampler)
for datas,labels in dataloader:
print(labels.tolist())- 1
- 2
- 3
- 4
- 5
输出：
[0, 0, 1, 0]
[1, 0, 1, 1]- 1
- 2
在这种情况下，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，这样就失去了weight的意义。
从上面的例子可见sampler在采样中的作用：如果指定了sampler，shuffle将不再生效，并且sampler.num_smples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.
总结：
完整代码：
import os
from PIL import Image
from torch.utils import data
#import numpy as np
from torchvision import transforms as T
from torch.utils.data import DataLoader
from torch.utils.data.sampler import WeightedRandomSampler
transforms=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), #从图片中间裁剪出224*224的图片
T.ToTensor(), #将图片Image转换成Tensor，归一化至【0,1】
T.Normalize(mean=[.5,.5,.5],std=[.5,.5,.5]) #标准化至【-1,1】，规定均值和方差
])
class DogCat(data.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]
#dog->1, cat->0
label=1 if 'dog' in img_path.split("/")[-1] else 0
data=Image.open(img_path)
if self.transforms:
data=self.transforms(data)
return data,label
def __len__(self):
return len(self.imgs)
dataset=DogCat('N:/百度网盘/kaggle/DogCat/', transforms=transforms)
img,label=dataset[0]#相当于调用dataset.__getitem__(0)
print("******dataset*************")
print("dataset")
for img,label in dataset:
print(img.size(),label)
dataset=DogCat('N:/百度网盘/kaggle/DogCat/', transforms=transforms)
#狗的图片取出的概率是猫的概率的两倍
#两类取出的概率与weights的绝对值大小无关，之和比值有关
weights=[2 if label==1 else 1 for data ,label in dataset]
print("******weights**************")
print("weight:{}".format(weights))
print("******sampler**************")
sampler=WeightedRandomSampler(weights,num_samples=8,replacement=False)
dataloader=DataLoader(dataset,batch_size=4,sampler=sampler)
for datas,labels in dataloader:
print(labels.tolist())- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
输出：
******dataset*************
dataset
torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 1
torch.Size([3, 224, 224]) 1
torch.Size([3, 224, 224]) 1
torch.Size([3, 224, 224]) 1
******weights**************
weight:[1, 1, 1, 1, 2, 2, 2, 2]
******sampler**************
[0, 0, 1, 1]
[1, 0, 1, 0]