学习如何使用 PyTorch 读取并处理数据集
在处理任何机器学习问题之前都需要读取数据，并对数据进行预处理。处理数据样本的代码可能会变得混乱且难以维护，因此 PyTorch 将数据集代码与模型训练代码相分离，从而获得更好的可读性和模块化。
下面我们将以手写数字0~9的数据集 MNIST 为例，学习如何在 PyTorch 中读取和处理数据。
1. 准备数据集
MNIST数据集
2. 读取并处理数据集 MNIST
下面我们来通过 PyTorch 读取和处理 MNIST 数据集。在这一节中我们将把数据集读取到 train_loader（训练数据集）和 test_loader （测试数据集）中。
PyTorch 中与数据读取和预处理相关的模块包括 torchvision 和 torch.utils.data。我们首先导入相关包（torch & torchvision），并查看版本。其中，torch 是顶层的 PyTorch 包和张量库；torchvision 是一个单独的包，通过它可以便捷的访问一些常用的数据集（如 MNIST、Fashion-MNIST、 Cifar 和 ImageNet 等），以及模型架构（如 VGG）和图像转换方法。
import torch # top-level pytorch package and tensor library import torchvision print(torch.__version__) print(torch.cuda.is_available()) print(torch.version.cuda)
1.7.1+cu110 True 11.0
数据读取和预处理总结起来包括如下几个步骤：
1) 提取原始数据 (extract data from the dataset)
2) 将提取出来的原始数据转换为合适的格式 (transform it into the desirable format (Dataset object))
3) 将数据加载到合适的数据结构中 (load the data into a suitable data structure (DataLoader object))
batch_size_train = 128 # 设置训练集的 batch size，即每批次将参与运算的样本数 batch_size_test = 128 # 设置测试集 batch size
# 我们首先提取原始数据，即使用 PyTorch 的内置函数从网络上获得 MNIST 数据集。 # 数据集下载网址：http://yann.lecun.com/exdb/mnist/ # （大家可在上述网址阅读 MNIST 的详细信息。） # 此处由于下载数据集可能会卡死，我们为大家准备好了提前下载好的数据集，即本篇 # 开头让大家下载并上传到特定路径的四个压缩包。上传到特定路径是为了让 PyTorch # 能够找到。 ######################### Please explain the following code ######################### # 下述代码除了提取原始数据，还会对原始数据进行预处理 （transform）。经过转换 # 后的数据被保存为一个 Dataset object，其中包含样本及其对应的标签。 # 请同学们查阅资料，在实验报告中对以下代码进行解释，说明其每个参数对应的意义， # 和代码进行的具体操作。 train_set = torchvision.datasets.MNIST('./dataset_mnist', train=True, download=True, transform=torchvision.transforms.Compose([ torchvision.transforms.ToTensor(), torchvision.transforms.Normalize( (0.1307,), (0.3081,) ) ]) ) ##################################### end ##########################################
# 接下来，请同学们仿照上述训练集，对测试集进行相似处理，并将转换后的测试集数据保存在 test_set 中。
############################ Please finish the code ################################ # test_set = XXX test_set = torchvision.datasets.MNIST('./dataset_mnist', train=False, download=True, transform=torchvision.transforms.Compose([ torchvision.transforms.ToTensor(), torchvision.transforms.Normalize( (0.1307,), (0.3081,) ) ]) ) ##################################### end ##########################################
# 完成数据转换后，最后一步即将数据 (Dataset) 加载到合适的数据结构中，即 DataLoader。 # DataLoader 可以帮助我们便捷的对数据进行操作，例如我们可以方便的设置 batch_size # (每一批的样本个数), shuffle(是否随机打乱样本顺序), num_workers(加载数据的时候 # 使用几个子进程)等。 train_loader = torch.utils.data.DataLoader(train_set, batch_size=batch_size_train, shuffle=True) test_loader = torch.utils.data.DataLoader(test_set, batch_size=batch_size_test, shuffle=True)
我们的数据集已经准备好了，在开始使用 PyTorch 搭建神经网络前，让我们先来查看一下读取到的数据集。
查看数据集整体情况
print(len(train_set)) # train_set 中的样本总数 print(train_set.train_labels) # train_set中的样本标签 print(train_set.train_labels.bincount()) # 查看每一个标签有多少样本
60000 tensor([5, 0, 4, ..., 5, 6, 8]) tensor([5923, 6742, 5958, 6131, 5842, 5421, 5918, 6265, 5851, 5949])
print(train_set.classes) # 查看 train_set 的样本类别 print(len(train_set.classes)) # 查看train_set中有所少种类别 print(train_set.class_to_idx) # 查看样本类别和样本标签的对应关系
['0 - zero', '1 - one', '2 - two', '3 - three', '4 - four', '5 - five', '6 - six', '7 - seven', '8 - eight', '9 - nine'] 10 {'0 - zero': 0, '1 - one': 1, '2 - two': 2, '3 - three': 3, '4 - four': 4, '5 - five': 5, '6 - six': 6, '7 - seven': 7, '8 - eight': 8, '9 - nine': 9}
查看 Dataset object 中的单个样本
sample = next(iter(train_set)) # get an item from train_set print("For each item in train_set: \n\n \t type: ", type(sample)) # tuple (image, label) print("\t Length: ", len(sample), '\n') # 2
For each item in train_set: type: <class 'tuple'> Length: 2
image, label = sample # unpack the sample print("For each image: \n\n \t type: ", type(image)) # rank-3 tensor print("\t shape: ", image.shape, '\n') # [channel, height, width] = [1, 28, 28] Note: 仅有3维！ print("For each label: \n\n \t type: ", type(label), '\n')
For each image: type: <class 'torch.Tensor'> shape: torch.Size([1, 28, 28]) For each label: type: <class 'int'>
import matplotlib.pyplot as plt import numpy as np print("Let's check an image: \n ") plt.imshow(image.squeeze(), cmap='gray') print(f'label: {label}')
Let's check an image: label: 5
查看 DataLoader object 中一个批次的样本
train_loader_plot = torch.utils.data.DataLoader( train_set, batch_size=40 ) # 假设一个批次有40个样本 batch = next(iter(train_loader_plot)) print("type(batch): \t", type(batch)) # list [images, labels] print("len(batch): \t", len(batch), "\n") # 2 images, labels = batch print("type(images): \t", type(images)) # rank-4 tensor print("images.shape: \t", images.shape) # [batch_size, channel, height, width] = [10, 1, 28, 28] print("type(labels): \t", type(labels)) # rank-1 tensor print("labels.shape: \t", labels.shape) # size=batch size
type(batch): <class 'list'> len(batch): 2 type(images): <class 'torch.Tensor'> images.shape: torch.Size([40, 1, 28, 28]) type(labels): <class 'torch.Tensor'> labels.shape: torch.Size([40])
# 画出第一个批次的样本 grid = torchvision.utils.make_grid(images, nrow=10) # make a grid of images (grid is a tensor) plt.figure(figsize=(12,12)) plt.imshow(np.transpose(grid, (1,2,0))) # np.transpose permutes the dimensions print(f'labels: {labels}')
labels: tensor([5, 0, 4, 1, 9, 2, 1, 3, 1, 4, 3, 5, 3, 6, 1, 7, 2, 8, 6, 9, 4, 0, 9, 1, 1, 2, 4, 3, 2, 7, 3, 8, 6, 9, 0, 5, 6, 0, 7, 6])
