Press "Enter" to skip to content

0701-数据处理

0701-数据处理

 

目录

三、利用 torchvision 工具处理数据集
四、ImageFolder 的使用——处理数据集
五、DataLoader 的使用——批加载数据

pytorch完整教程目录: https://www.cnblogs.com/nickchen121/p/14662511.html

 

一、概述

 

在机器学习中,尤其是在深度学习中,需要耗费大量的精力去处理数据,并且数据的处理对训练神经网络来说也是很重要的,良好的数据不仅会加速模型的训练,也可以提高模型的效率。

 

为此,torch 提供了几个高效便捷的工具,以便使用者更方便的对数据做处理,同时也可以并行化加速数据加载。

 

二、加载自定义数据集

 

在 torch 中,可以加载自定义数据集,在这个过程中,需要自定义数据集对象,数据集对象将被抽象为 Dataset 类,也就是说实现自定义的数据集需要继承 Dataset,同时也需要实现两个 Python 魔法方法:

__getiter__ :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__()

在这里我们以 Kaggle 经典挑战赛“Dogs vs. Cat”的数据为例,详细讲解如何处理数据。其中该数据是一个分类问题的数据,判断一张图片是狗还是猫,它的所有图片都放在一个文件夹下,并可以根据文件名的前缀是狗还是猫。 需要图片数据的可以加我微信:chenyoudea

 

import os
imgs = os.listdir('./img/dogcat')  # 获取./img/dogcat下的所有图片文件
for img in imgs:
    print(img)

 

dog.12497.jpg
cat.12484.jpg
cat.12485.jpg
dog.12496.jpg
cat.12487.jpg
cat.12486.jpg
dog.12498.jpg
dog.12499.jpg

 

import os
import torch as t
import numpy as np
from PIL import Image
from torch.utils import data

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  # 通过对图片文件名前缀的判断给图片增加标签
        pil_img = Image.open(img_path)  # 打开图片
        array = np.asarray(pil_img)  # 把图片转为 ndarray 数据
        data = t.from_numpy(array)  # 把图片转为 Tensor 数据
        return data, label

dataset = DogCat('./img/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)

 

torch.Size([375, 499, 3]) tensor(150.5080) 1
torch.Size([500, 497, 3]) tensor(106.4915) 0
torch.Size([499, 379, 3]) tensor(171.8085) 0
torch.Size([375, 499, 3]) tensor(116.8139) 1
torch.Size([374, 499, 3]) tensor(115.5177) 0
torch.Size([236, 289, 3]) tensor(130.3004) 0
torch.Size([377, 499, 3]) tensor(151.7174) 1
torch.Size([400, 300, 3]) tensor(128.1550) 1

/Applications/anaconda3/lib/python3.6/site-packages/ipykernel_launcher.py:23: UserWarning: The given NumPy array is not writeable, and PyTorch does not support non-writeable tensors. This means you can write to the underlying (supposedly non-writeable) NumPy array using the tensor. You may want to copy the array to protect its data or make it writeable before converting it to a tensor. This type of warning will be suppressed for the rest of this program. (Triggered internally at  ../torch/csrc/utils/tensor_numpy.cpp:143.)

 

上述所示的 /Applications/anaconda3/lib…… 的错误,是因为图片是 git 上拿下来的,没有修改权限,我懒得修改了,自己有空把它修改下,反正没啥影响。

 

对于我们自定义的数据集,我们已经学会了如何通过代码定义这样的数据集,但是这样的数据并不适合使用,因为它们有两个这样的问题:

 

[-1,1]

 

三、利用 torchvision 工具处理数据集

 

为了解决上一节的遗留的问题,torch 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 transform 模块提供了对 PIL Image 对象和 Tensor 对象的常用操作。如果想更详细的了解这个工具,可以去去查看官方文档: https://github.com/pytorch/vision/

 

对 PIL Image 的常见操作如下:

Resize:调整图片尺寸
CenterCrop、RandomCrop、RandomSizedCrop:裁剪图片
Pad:填充
ToTensor:把 PIL Image 对象转成 Tensor,会自动将 [0,255] 归一化为 [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 对象

如果需要对图片进行多个操作,可以通过 Compose 把这些操作拼接起来,类似于 nn.Sequential 。需要注意的是,这些操作定义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.Module

 

例如,如果要把图片调整为 224*224,首先构建操作 trans = Scale((224,224)) ,然后调用 trans(img) 。接下来我们就用 transform 的这些操作来优化上面实现的 dataset。

 

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,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(),  # 把图片转成 Tensor,归一化至 [0,1]
    T.Normalize(mean=[.5, .5, .5], std=[.5, .5, .5])  # 标准化至 [-1,1]
])

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]  # 拼接图片路径
        self.transforms = transforms  # 作为图片是否进行处理的标志
    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:  # 判断图片是否需要进行处理
            data = self.transforms(data)
        return data, label
    def __len__(self):
        return len(self.imgs)

dataset = DogCat('./img/dogcat/', transforms=transform)
img, label = dataset[0]
for img, label in dataset:
    print(img.size(), label)

 

torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 1
torch.Size([3, 224, 224]) 1
torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 1
torch.Size([3, 224, 224]) 1
torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 0

 

从上述代码可以看到 transforms 的强大,除了这些,transforms 还可以通过 Lambda 封装自定义的转换策略。

 

例如,如果相对 PIL Image 进行随机旋转,则可以写成 trans = T.Lambda(lambda img: img.rotate(random()*360))

 

上面我们说到了如何加载自定义的数据集,对于很多研究者来说,只是想试验自己的算法有没有问题,如果自己去获取数据,再加上深度学习对数据量的要求,那是非常困难的。

 

为此 torchvision 预先实现了常用的 Dataset,包括 CIFAR-10、ImageNet、COCO、MNIST、LSUN 等数据集,可以通过调用 torchvision.datasets 下相应的对象来调用相关的数据集,具体的使用方法可以查看官方文档: https://pytorch.org/vision/stable/datasets.html

 

四、ImageFolder 的使用——处理数据集

 

本节介绍一个我们经常会用到的一个 Dataset——ImageFolder,它的实现和上述 DogCat类 的功能类似,主要是对图片进行处理。

 

ImageFoder 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,它的构造函数如下所示: ImageFolder(root, transform=None, target_transform=None, loader=default_loader)

 

它主要有以下四个参数:

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

label 是按照文件夹名字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命名为从 0 开始的数字,这样回合 ImageFolder 实际的 label 一致。

 

from torchvision.datasets import ImageFolder
dataset = ImageFolder('./img/dogcat_2')
# cat 文件夹的图片对应 label 0,dog 对应 1
dataset.class_to_idx

 

{'cat': 0, 'dog': 1}

 

# 所有图片的路径和对应的 label
dataset.imgs

 

[('./img/dogcat_2/cat/cat.12484.jpg', 0),
 ('./img/dogcat_2/cat/cat.12485.jpg', 0),
 ('./img/dogcat_2/cat/cat.12486.jpg', 0),
 ('./img/dogcat_2/cat/cat.12487.jpg', 0),
 ('./img/dogcat_2/dog/dog.12496.jpg', 1),
 ('./img/dogcat_2/dog/dog.12497.jpg', 1),
 ('./img/dogcat_2/dog/dog.12498.jpg', 1),
 ('./img/dogcat_2/dog/dog.12499.jpg', 1)]

 

dataset[0][1]  # 第一维是第几张图,第二维为 1 返回 label

 

# 没有任何的 transform,多以返回的还是 PIL Image 对象
dataset[0][0]  # 为 0 返回图片数据,返回的 Image 对象如下图所示

 

 

# 加上 transform
normalize = 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(),
    normalize,
])
dataset = ImageFolder('img/dogcat_2', transform=transform)
dataset[0][0].size()  # 深度学习图片数据一般保存成 C*H*W,即 通道数*图片高*图片宽

 

torch.Size([3, 224, 224])

 

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) # 程序输出如下图所示

 

 

五、DataLoader 的使用——批加载数据

 

Dataset 只负责抽象数据,并且一次调用 __getitem__ 只返回一个样本。

 

在训练神经网络的时候,是对一个 batch 的数据进行操作,同时还需要对数据进行 shuffle 和并行加速等,为此,torch 提供了 DataLoader 去实现这些功能。

 

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)

dataset:加载的数据集(Dataset 对象)
batch_size:batch size(批大小)
shuffle:是否把数据打乱
sampler:样本抽样,后面会详细解释
num_workers:使用多进程加载的进程数,0 表示不使用多进程
collate_fn:如何把多个数据拼接成一个 batch,一般使用默认的方式就可以了
pin_memory:是否将数据保存在 pin memory 区,pin memory 中的数据转到 GPU 中速度会快一些
drop_last:dataset 中的数据个数可能不是 batch_size 的整数倍,drop_last 为 True,会把多出来不足一个 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)  # dataloader是一个可迭代对象,通过 iter 把 dataloader 变成一个迭代器
imgs, labels = next(dataiter)
imgs.size()  # batch_size,channel,height,weight

 

torch.Size([3, 3, 224, 224])

 

dataloader 是一个可迭代的对象,因此可以像使用迭代器一样使用它。迭代器如果你忘记了是啥,可以看这篇文章:迭代器

 

# 迭代器的两种使用方法
# 第一种直接获取所有数据,数据量大不建议使用
for batch_datas, batch_labels in dataloader:
    train()
# 第二种只生成一个迭代器,用一个取一个数据
dataiter = iter(dataloader)
imgs, labels = next(dataiter)

 

六、处理损坏图片

 

class NewDogCat(DogCat):
    def __getitem__(self, index):
        try:
            # 调用父类的获取函数,相当于 DogCat.__getitem__(self,index)
            return super(NewDogCat, self).__getitem__(index)
        except:
            return None, None  # 获取异常的对象返回 None

from torch.utils.data.dataloader import default_collate  # 导入默认的拼接方式

def my_collate_fn(batch):
    """
    batch 中每个元素形如(data,label)
    """
    batch = list(filter(lambda x: x[0] is not None, batch))  # 过滤为 None 的数据
    return default_collate(batch)  # 用默认方式拼接过滤后的 batch 数据

dataset = NewDogCat('img/dogcat_wrong/', transforms=transform)
dataset[6]

 

(None, None)

 

dataloader = DataLoader(dataset, 2, collate_fn=my_collate_fn, num_workers=0)
for batch_datas, batch_labels in dataloader:
    print(batch_datas.size(), batch_labels.size())

 

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])
torch.Size([1, 3, 224, 224]) torch.Size([1])

 

通过查看上面的打印结果,可以看到第 4 个 batch_size 为 1,这是因为其中有一张图片损坏,而最后一个 batch_size 也是 1,是因为总共有 9 张图片,无法整除 2,因此最后一个 batch 的数据会少于 batch_size,可以通过指定 drop_last=True 丢弃最后一个样本数目不足 batch_size 的 batch。

 

除了上述所说的方法,对于损坏或数据集加载异常等情况,还可以通过其他方法解决,例如遇到异常图片,就可以随机选择另外一张图片代替,则 batch_size 就不会小于规定的 batch_size。

 

class NewDogCat(DogCat):
    def __getitem__(self, index):
        try:
            return super(NewDogCat, self).__getitem__(index)
        except:
            new_index = random.randint(0, len(self) - 1)
            return self[new_index]

 

上述所说的方法看起来很好,但是如果我们换个角度去想,我为什幺要让文件夹里面有一张异常的图片呢?因此为了防止图片异常,更应该对数据进行彻底清洗。

 

DataLoader 为了实现多进程加速,它封装了 Python 的标准库 multiprocessing,因此在 Dataset 和 DataLoader 使用时有以下两个建议:

 

__getitem__

 

第一点是因为多进程会并行地调用 __getitem__ 函数,把负载高的放在 __getitem__ 函数中能够实现并行加速。

 

第二点是因为 dataloader 使用多进程加载,如果在 Dataset 中使用了可变对象,可能会有意想不到的冲突。在多线程/多进程中,修改一个可变对象需要加锁,但是 dataloader 的设计让它很难加锁,因此最好避免在 dataset 中修改可变对象。

 

下面就是一个不好的例子,在多进程中处理的 self.num 可能和预期不符,这种问题不会报错,所以很难发现。如果真的一定要修改可变对象,可以使用 Python 标准库 Queue 中的相关数据结构。

 

class BadDataset(data.Dataset):
    def __init__(self):
        self.datas = range(10)
        self.num = 0  # 取数据的次数
    def __getitem__(self, index):
        self.num += 1
        return self.datas[index]

 

使用 Python 的 multiprocessing 库的另一个问题就是,在使用多进程时,如果主程序异常终止,相应的数据加载进程可能无法正常退出。这个时候你可能会发现程序已经退出了,但是 GPU 显存和内存仍然被占用着,这个时候就需要手动强行终止进程。

 

七、数据采样

 

torch 中还单独提供了一个 sampler 模块,用来进行数据采样。常用的有随机采样器 RandomSampler,当 dataloader 的 shuffle 参数为 True 时,系统就会自动调用这个采样器,进而打乱数据。

 

默认的采样器是 SequentialSampler,它会按顺序一个一个进行采样。

 

在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,可以用它进行重采样。

 

构建 WeightedRandomSampler 时需要提供3个参数:

每个样本的权重weights
共选取的样本总数 num_samples
可选参数 replacement,指定是否可以重复选取一个样本,默认为 True,也就是说允许一个 epoch 中重复采样一个数据。如果设置为 False,则当某一类样本被全部选取结束后,它的样本还没有达到 num_samples 时,sampler 将不会再从该类中选择数据,此时可能会导致 weights 参数失效

注: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。

 

dataset = DogCat('./img/dogcat/', transforms=transform)
# 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和 weights 的绝对大小无关,只和比值有关,例如这里的比值为 2:1
weights = [2 if label == 1 else 1 for data, label in dataset]
weights

 

[1, 2, 2, 1, 2, 2, 1, 1]

 

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, 1, 1]
[1, 0, 0]
[1, 0, 1]

 

从上面可以看到猫狗样本的比例约为 1:2,另外一共只有 8 个样本,却返回了 9 个,说明有样本被重复返回,这就是 replacement 参数的左右,下面我们把 replacement 设为 False。

 

# 如果 weights 设定为 100:1,则 猫 的被选中的概率几乎为 0
weights = [100 if label == 1 else 1 for data, label in dataset]
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, 1, 1]
[1, 1, 1]
[1, 1, 1]

 

sampler = WeightedRandomSampler(weights, 8, replacement=False)
dataloader = DataLoader(dataset, batch_size=4, sampler=sampler)
for datas, labels in dataloader:
    print(labels.tolist())

 

[1, 1, 1, 1]
[0, 0, 0, 0]

 

从上面的代码可以看到,num_samples 等于 dataset 的样本总数,为了不重复选取,sampler 会把每个样本都返回,这样就失去了 weight 参数的意义。

 

从上面的例子可以看出 sampler 在样本采样中的作用:如果指定了 sampler,shuffle 将不会再生效,并且 sampler.num_samples 会覆盖 dataset 的实际大小,也就是一个 epoch 返回的图片总数取决于 sampler.num_samples。

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注