第4章 PyTorch数据处理工具箱

第4章 PyTorch数据处理工具箱

在3.5节我们利用PyTorch的torchvision、data等包，下载及预处理MNIST数据集。数据下载和预处理是机器学习、深度学习实际项目中耗时又重要的任务，尤其是数据预处理，关系到数据质量和模型性能，往往要占据项目的大部分时间。好在PyTorch为此提供了专门的数据下载、数据处理包，使用这些包，可极大提高我们的开发效率及数据质量。

本章将介绍以下内容：

 简单介绍PyTorch相关的数据处理工具箱

 utils.data简介

 torchvision简介

 TensorBoard简介及实例

4.1 数据处理工具箱概述

通过第3章，读者应该对torchvision、data等数据处理包有了初步的认识，但可能理解还不够深入，接下来我们将详细介绍。PyTorch涉及数据处理（数据装载、数据预处理、数据增强等）主要工具包及相互关系如图4-1所示。

图4-1 PyTorch主要数据处理工具

图4-1 的左边是torch.utils.data工具包，它包括以下4个类：

1) Dataset：是一个抽象类，其他数据集需要继承这个类，并且覆写其中的两个方法(__getitem__、__len__)。

2) DataLoader：定义一个新的迭代器，实现批量（batch）读取，打乱数据（shuffle）并提供并行加速等功能。

3) random_split：把数据集随机拆分为给定长度的非重叠新数据集。

4) *sampler：多种采样函数。

图4-1中间是PyTorch可视化处理工具（torchvision），它是PyTorch的一个视觉处理工具包，独立于PyTorch，需要另外安装，使用pip或conda安装即可：

pip  install torchvision #或conda install torchvision
 
它包括4个类，各类的主要功能如下。
1)1.datasets:提供常用的数据集加载，设计上都是继承torch.utils.data.Dataset，主要包括MMIST、CIFAR10/100、ImageNet、COCO等。
2)2.models:提供深度学习中各种经典的网络结构以及训练好的模型(如果选择pretrained=True)，包括AlexNet, VGG系列、ResNet系列、Inception系列等。
3)3.transforms:常用的数据预处理操作，主要包括对Tensor及PIL Image对象的操作。
4)4.utils:含两个函数，一个是make_grid，它能将多张图像拼接在一个网格中；另一个是save_img，它能将Tensor保存成图像。

4.2 utils.data简介

utils.data包括Dataset和DataLoader。torch.utils.data.Dataset为抽象类。自定义数据集需要继承这个类，并实现两个函数，即__len__和__getitem__。前者提供数据的大小(size)，后者通过给定索引获取数据和标签或一个样本。 __getitem__一次只能获取一个样本，所以通过torch.utils.data.DataLoader来定义一个新的迭代器，实现batch读取。首先我们来定义一个简单的数据集，然后具体使用Dataset及DataLoader，给读者一个直观的认识。 1）导入需要的模块。

import torch
from torch.utils import data
import numpy as np

2）定义获取数据集的类。

该类继承基类Dataset，自定义一个数据集及对应标签。

class TestDataset(data.Dataset):#继承Dataset
    def __init__(self):
        self.Data=np.asarray([[1,2],[3,4],[2,1],[3,4],[4,5]])#一些由2维向量表示的数据集
        self.Label=np.asarray([0,1,0,1,2])#这是数据集对应的标签
 
    def __getitem__(self, index):
        #把numpy转换为Tensor
        txt=torch.from_numpy(self.Data[index])
        label=torch.tensor(self.Label[index])
        return txt,label 
 
    def __len__(self):
        return len(self.Data)

3）获取数据集中数据。

Test=TestDataset()
print(Test[2])  #相当于调用__getitem__(2)
print(Test.__len__())
 
#输出：
#(tensor([2, 1]), tensor(0))
#5

以上数据以元组格式返回，每次只返回一个样本。实际上，Dateset只负责数据的抽取，一次调用__getitem__只返回一个样本。如果希望批量处理（batch），同时还要进行shuffle和并行加速等操作，可选择DataLoader。DataLoader的格式为：

data.DataLoader(
    dataset,
    batch_size=1,
    shuffle=False,
    sampler=None,
    batch_sampler=None,
    num_workers=0,
    collate_fn=,
    pin_memory=False,
    drop_last=False,
    timeout=0,
    worker_init_fn=None,
)

主要参数说明如下。

 dataset: 加载的数据集。

 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：是否将数据保存在锁页内存（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。

使用函数DataLoader加载数据。

test_loader = data.DataLoader(Test,batch_size=2,shuffle=False,num_workers=2)
for i,traindata in enumerate(test_loader):
    print('i:',i)
    Data,Label=traindata
    print('data:',Data)
print('Label:',Label)

运行结果如下：

i: 0

data: tensor([[1, 2],

[3, 4]])

Label: tensor([0, 1])

i: 1

data: tensor([[2, 1],

[3, 4]])

Label: tensor([0, 1])

i: 2

data: tensor([[4, 5]])

Label: tensor([2])

从这个结果可以看出，这是批量读取。我们可以像使用迭代器一样使用它,如对它进行循环操作。不过它不是迭代器，我们可以通过iter命令转换为迭代器。

dataiter=iter(test_loader)
imgs,labels=next(dataiter)

一般用data.Dataset处理同一个目录下的数据。如果数据在不同目录下，不同目录代表不同类别（这种情况比较普遍），使用data.Dataset来处理就不很方便。不过，可以使用PyTorch提供的另一种可视化数据处理工具（即torchvision）就非常方便，不但可以自动获取标签，还提供很多数据预处理、数据增强等转换函数。

4.3 torchvision简介

torchvision有4个功能模块，model、datasets、transforms和utils。其中model后续章节将介绍，利用datasets下载一些经典数据集，3.5小节有实例，读者可以参考一下。本节主要介绍如何使用datasets的ImageFolder处理自定义数据集，如何使用transforms对源数据进行预处理、增强等。下面重点介绍transforms及ImageFolder。

4.3.1 transforms

transforms提供了对PIL Image对象和Tensor对象的常用操作。

1）对PIL Image的常见操作如下。

 Scale/Resize: 调整尺寸，长宽比保持不变。

 CenterCrop、RandomCrop、RandomSizedCrop：裁剪图像，CenterCrop和RandomCrop在crop时是固定size，RandomResizedCrop则是random size的crop。

 Pad: 填充。

 ToTensor: 把一个取值范围是[0,255]的PIL.Image 转换成 Tensor。形状为(H,W,C)的numpy.ndarray，转换成形状为[C,H,W]，取值范围是[0,1.0]的torch.FloatTensor。

 RandomHorizontalFlip:图像随机水平翻转，翻转概率为0.5。

 RandomVerticalFlip: 图像随机垂直翻转。

 ColorJitter: 修改亮度、对比度和饱和度。

2）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。

如果要对数据集进行多个操作，可通过Compose将这些操作像管道一样拼接起来，类似于nn.Sequential。以下为示例代码。

transforms.Compose([
    #将给定的 PIL.Image 进行中心切割，得到给定的 size，
    #size 可以是 tuple，(target_height, target_width)。
    #size 也可以是一个 Integer，在这种情况下，切出来的图像形状是正方形。            
    transforms.CenterCrop(10),
    #切割中心点的位置随机选取
    transforms.RandomCrop(20, padding=0),
    #把一个取值范围是 [0, 255] 的 PIL.Image 或者 shape 为 (H, W, C) 的 numpy.ndarray，
    #转换为形状为 (C, H, W)，取值范围是 [0, 1] 的 torch.FloatTensor
    transforms.ToTensor(),
    #规范化到[-1,1]
    transforms.Normalize(mean = (0.5, 0.5, 0.5), std = (0.5, 0.5, 0.5))
])

还可以自己定义一个python lambda表达式，如将每个像素值加10，可表示为：transforms.Lambda(lambda x: x.add(10))。

更多内容可参考官网，地址为https://pytorch.org/docs/stable/torchvision/transforms.html。

4.3.2 ImageFolder

当文件依据标签处于不同文件下时，如：

─── data

├── zhangliu

│ ├── 001.jpg

│ └── 002.jpg

├── wuhua

│ ├── 001.jpg

│ └── 002.jpg

……………..

我们可以利用 torchvision.datasets.ImageFolder 来直接构造出 dataset，代码如下：

loader = datasets.ImageFolder(path)
loader = data.DataLoader(dataset)

ImageFolder 会将目录中的文件夹名自动转化成序列，那幺DataLoader载入时，标签自动就是整数序列了。

下面我们利用ImageFolder读取不同目录下图像数据，然后使用transorms进行图像预处理，预处理有多个，我们用compose把这些操作拼接在一起。然后使用DataLoader加载。

将处理后的数据用torchvision.utils中的save_image保存为一个png格式文件，然后用Image.open打开该png文件，详细代码如下：

from torchvision import transforms, utils
from torchvision import datasets
import torch
import matplotlib.pyplot as plt 
%matplotlib inline
 
 
my_trans=transforms.Compose([
    transforms.RandomResizedCrop(224),
    transforms.RandomHorizontalFlip(),
    transforms.ToTensor()
])
train_data = datasets.ImageFolder('../data/torchvision_data', transform=my_trans)
train_loader = data.DataLoader(train_data,batch_size=8,shuffle=True,)
                                            
for i_batch, img in enumerate(train_loader):
    if i_batch == 0:
        print(img[1])
        fig = plt.figure()
        grid = utils.make_grid(img[0])
        plt.imshow(grid.numpy().transpose((1, 2, 0)))
        plt.show()
        utils.save_image(grid,'test01.png')
break

运行结果如下，结果如图4-2所示。

tensor([2, 2, 0, 0, 0, 1, 2, 2])

图4-2 make_grid拼接在一起的图形

打开test01.png文件：

from PIL import Image
Image.open('test01.png')

运行结果如图4-3所示。

图4-3 用Image查看png文件

4.4 可视化工具

TensorBoard是Google TensorFlow 的可视化工具，可以记录训练数据、评估数据、网络结构、图像等，并且可以在Web上展示，对于观察神经网路训练的过程非常有帮助。PyTorch支持tensorboard_logger、 visdom等可视化工具。

4.4.1 TensorBoard简介

TensorBoard功能很强大，支持scalar、image、figure、histogram、audio、text、graph、onnx_graph、embedding、pr_curve、videosummaries等可视化方式。

使用TensorBoard的一般步骤如下。

1）导入tensorboard，实例化SummaryWriter类，指明记录日志路径等信息。

from torch.utils.tensorboard import SummaryWriter
#实例化SummaryWriter，并指明日志存放路径。在当前目录没有logs目录将自动创建。
writer = SummaryWriter(log_dir='logs')
#调用实例
writer.add_xxx()
#关闭writer
writer.close()

【说明】

1）其中logs指生成日志文件路径，如果是在Windows环境下，需要注意其logs路径格式与Linux环境不同，需要使用转义字符或在字符串前加r，如

writer = SummaryWriter(log_dir=r’D:\myboard\test\logs’)

2）SummaryWriter的格式为：

SummaryWriter(log_dir=None, comment='', **kwargs)  
#其中comment在文件命名加上comment后缀

3）如果不写log_dir，系统将在当前目录创建一个runs的目录。

2）调用相应的API接口，接口一般格式为：

add_xxx(tag-name, object, iteration-number)
#即add_xxx(标签，记录的对象，迭代次数)

3）启动tensorboard服务。cd到logs目录所在的同级目录，在命令行输入如下命令，logdir等式右边可以是相对路径或绝对路径。

tensorboard --logdir=logs --port 6006   
#如果是windows环境，要注意路径解析，如
#tensorboard --logdir=r'D:\myboard\test\logs' --port 6006

4）Web展示。在浏览器输入：

http://服务器IP或名称:6006  #如果是本机，服务器名称可以使用localhost

便可看到logs目录保存的各种图形，如图4-4所示。

图4-4 TensorBoard示例图形

鼠标在图形上移动，还可以看到对应位置的具体数据。

4.4.2用TensorBoard可视化神经网络

4.4.1节介绍了TensorBoard的主要内容，为帮助大家更好地理解，下面我们将介绍几个实例。实例内容涉及如何使用TensorBoard可视化神经网络模型、可视化损失值、图像等。

1）导入需要的模块。

import torch
import torch.nn as nn
import torch.nn.functional as F
import torchvision
from torch.utils.tensorboard import SummaryWriter

2）构建神经网络。

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        self.conv2_drop = nn.Dropout2d()
        self.fc1 = nn.Linear(320, 50)
        self.fc2 = nn.Linear(50, 10)
        self.bn = nn.BatchNorm2d(20)
 
    def forward(self, x):
        x = F.max_pool2d(self.conv1(x), 2)
        x = F.relu(x) + F.relu(-x)
        x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
        x = self.bn(x)
        x = x.view(-1, 320)
        x = F.relu(self.fc1(x))
        x = F.dropout(x, training=self.training)
        x = self.fc2(x)
        x = F.softmax(x, dim=1)
        return x

3）把模型保存为graph。

#定义输入
input = torch.rand(32, 1, 28, 28)
#实例化神经网络
model = Net()
#将model保存为graph
with SummaryWriter(log_dir='logs',comment='Net') as w:
w.add_graph(model, (input, ))

打开浏览器，便可看到图4-5所示的可视化计算图。

图4-5 TensorBoard可视化计算图

4.4.3用TensorBoard可视化损失值

可视化损失值，使用add_scalar函数，这里利用一层全连接神经网络，训练一元二次函数的参数。

dtype = torch.FloatTensor
writer = SummaryWriter(log_dir='logs',comment='Linear')
np.random.seed(100) 
x_train = np.linspace(-1, 1, 100).reshape(100,1) 
y_train = 3*np.power(x_train, 2) +2+ 0.2*np.random.rand(x_train.size).reshape(100,1) 
 
model = nn.Linear(input_size, output_size)
 
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
 
for epoch in range(num_epoches):
    inputs = torch.from_numpy(x_train).type(dtype)
    targets = torch.from_numpy(y_train).type(dtype)
 
    output = model(inputs)
    loss = criterion(output, targets)
 
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    # 保存loss的数据与epoch数值
writer.add_scalar('训练损失值', loss, epoch)

运行结果如图4-6所示。

图4-6 可视化损失值与迭代步的关系

4.4.4用TensorBoard可视化特征图

利用TensorBoard对特征图进行可视化，不同卷积层的特征图的抽取程度是不一样的。

x从cifair10数据集获取。注意：因PyTorch1.7 utils有一个bug，这里使用了PyTorch1.10版的utils。

#import torchvision.utils as vutils
##因pytorch1.7 utils有一个bug，
##这里使用了当前最新的utils版本（v1.10）
import utils as vutils 
writer = SummaryWriter(log_dir='logs',comment='feature map')
 
img_grid = vutils.make_grid(x, normalize=True, scale_each=True, nrow=2)
net.eval()
for name, layer in net._modules.items():
 
    # 为fc层预处理x
    x = x.view(x.size(0), -1) if "fc" in name else x
    print(x.size())
 
    x = layer(x)
    print(f'{name}')
 
    # 查看卷积层的特征图
    if  'layer' in name or 'conv' in name:
        x1 = x.transpose(0, 1)  # C，B, H, W  ---> B，C, H, W
        img_grid = vutils.make_grid(x1, normalize=True, scale_each=True, nrow=4)  # normalize进行归一化处理
        writer.add_image(f'{name}_feature_maps', img_grid, global_step=0)

运行结果如图4-7、图4-8所示。

图4-7 conv1的特征图

图4-8 conv2的特征图

4.5 小结

本章详细介绍了PyTorch有关数据下载、预处理方面的一些常用包，以及可视化计算结果的TensorBoard工具，并通过一些实例详细说明如何使用这些包或工具。第1-4章介绍了有关NumPy及PyTorch的基础知识，这有助于读者更好理解和使用接下来的深度学习方面的基本概念、原理和算法等内容。