前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >【转载】PyTorch系列 (二):pytorch数据读取

【转载】PyTorch系列 (二):pytorch数据读取

作者头像
marsggbo
发布2019-05-26 10:42:27
9710
发布2019-05-26 10:42:27
举报

原文:https://likewind.top/2019/02/01/Pytorch-dataprocess/

Pytorch系列:

参考:

  1. PyTorch documentation
  2. PyTorch 码源

本文首先介绍了有关预处理包的源码,接着介绍了在数据处理中的具体应用; 其主要目录如下:

1 PyTorch数据预处理以及源码分析 (torch.utils.data)

torch.utils.data脚本码源

1.1 Dataset

Dataset

代码语言:javascript
复制
1
class torch.utils.data.Dataset

表示Dataset的抽象类。所有其他数据集都应该进行子类化。 所有子类应该override__len____getitem__,前者提供了数据集的大小,后者支持整数索引,范围从0到len(self)。

代码语言:javascript
复制
class Dataset(object):
    # 强制所有的子类override getitem和len两个函数,否则就抛出错误;
    # 输入数据索引,输出为索引指向的数据以及标签;
    def __getitem__(self, index):
        raise NotImplementedError
    
    # 输出数据的长度
    def __len__(self):
        raise NotImplementedError
        
    def __add__(self, other):
        return ConcatDataset([self, other])

TensorDataset

代码语言:javascript
复制
class torch.utils.data.TensorDataset(*tensors)

Dataset的子类。包装tensors数据集;输入输出都是元组; 通过沿着第一个维度索引一个张量来回复每个样本。 个人感觉比较适用于数字类型的数据集,比如线性回归等。

代码语言:javascript
复制
class TensorDataset(Dataset):
    def __init__(self, *tensor):
        assert all(tensors[0].size(0) == tensor.size(0) for tensor in tensors)
        self.tensors = tensors
        
    def __getitem__(self, index):
        return tuple(tensor[index] for tensor in tensors
        
    def __len__(self):
        return self.tensors[0].size(0)

ConcatDateset

代码语言:javascript
复制
class torch.utils.data.ConcatDateset(datasets)

连接多个数据集。 目的:组合不同的数据集,可能是大规模数据集,因为连续操作是随意连接的。 datasets的参数:要连接的数据集列表 datasets的样式:iterable

代码语言:javascript
复制
class ConcatDataset(Dataset):
    @staticmethod
    def cumsum(sequence):
        # sequence是一个列表,e.g. [[1,2,3], [a,b], [4,h]]
        # return 一个数据大小列表,[3, 5, 7], 明显看的出来包含数据多少,第一个代表第一个数据的大小,第二个代表第一个+第二数据的大小,最后代表所有的数据大学;
    ...
    def __getitem__(self, idx):
        # 主要是这个函数,通过bisect的类实现了任意索引数据的输出;
        dataset_idx = bisect.bisect_right(self.cumulative_size, idx)
        if dataset_idx == 0:
            sample_idx == idx
        else:
            sample_idx = idx - self.cumulative_sizes[dataset_idx -1]
        return self.datasets[dataset_idx][sample_idx]
    ...

Subset

代码语言:javascript
复制
class torch.utils.data.Subset(dataset, indices)

选取特殊索引下的数据子集; dataset:数据集; indices:想要选取的数据的索引;

random_split

代码语言:javascript
复制
class torch.utils.data.random_split(dataset, lengths):

随机不重复分割数据集; dataset:要被分割的数据集 lengths:长度列表,e.g. [7, 3], 保证7+3=len(dataset)

1.2 DataLoader

DataLoader

代码语言:javascript
复制
class torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=False, sampler=None, batch_sampler=None, num_workers=0, collate_fn=<function default_collate>, pin_memory=False, drop_last=False, timeout=0, worker_init_fn=None)

数据加载器。 组合数据集和采样器,并在数据集上提供单进程或多进程迭代器。 参数:

  • dataset (Dataset) - 从中加载数据的数据集。
  • batch_size (int, optional) - 批训练的数据个数。
  • shuffle (bool, optional) - 是否打乱数据集(一般打乱较好)。
  • sampler (Sampler, optional) - 定义从数据集中提取样本的策略。如果指定,则忽略shuffle参数。
  • batch_sampler (Sample, optional) - 和sampler类似,返回批中的索引。
  • num_workers (int, optional) - 用于数据加载的子进程数。
  • collate_fn (callable, optional) - 合并样本列表以形成小批量。
  • pin_memory (bool, optional) - 如果为True,数据加载器在返回去将张量复制到CUDA固定内存中。
  • drop_last (bool, optional) - 如果数据集大小不能被batch_size整除, 设置为True可以删除最后一个不完整的批处理。
  • timeout (numeric, optional) - 正数,收集数据的超时值。
  • worker_init_fn (callabel, optional) - If not None, this will be called on each worker subprocess with the worker id (an int in [0, num_workers - 1]) as input, after seeding and before data loading. (default: None)

特别重要:DataLoader中是不断调用DataLoaderIter

DataLoaderIter

代码语言:javascript
复制
class _DataLoaderIter(loader)

从DataLoader’s数据中迭代一次。其上面DataLoader功能都在这里; 插个眼,有空在分析这个

1.3 sampler

Sampler

代码语言:javascript
复制
class torch.utils.data.sampler.Sampler(data_source)

所有采样器的基础类; 每个采样器子类必须提供一个__iter__方法,提供一种迭代数据集元素的索引的方法,以及返回迭代器长度__len__方法。

代码语言:javascript
复制
class Sampler(object):
    def __init__(self, data_source):
        pass
        
    def __iter__(self):
        raise NotImplementedError
        
    def __len__(self):
        raise NotImplementedError

SequentialSampler

代码语言:javascript
复制
class torch.utils.data.SequentialSampler(data_source)

样本元素顺序排列,始终以相同的顺序。 参数:-data_source (Dataset) - 采样的数据

RandomSampler

代码语言:javascript
复制
class torch.utils.data.RandomSampler(data_source, replacement=False, num_samples=None)

样本随机排列,如果没有Replacement,将会从打乱的数据采样,否则,。。 参数:

  • data_source (Dataset) - 采样数据
  • num_samples (int) - 采样数据大小,默认是全部。
  • replacement (bool) - 是否放回

SubsetRandomSampler

代码语言:javascript
复制
class torch.utils.data.SubsetRandomSampler(indices)

从给出的索引中随机采样,without replacement。 参数:

  • indices (sequence) - 索引序列。

BatchSampler

代码语言:javascript
复制
class torch.utils.data.BatchSampler(sampler, batch_size, drop_last)

将采样封装到批处理索引。 参数:

  • sampler (sampler) - 基本采样
  • batch_size (int) - 批大小
  • drop_last (bool) - 是否删掉最后的批次

weightedRandomSampler

代码语言:javascript
复制
class torch.utils.data.WeightedRandomSampler(weights, num_samples, replacement=True)

样本元素来自[0,…,len(weights)-1], 给定概率(权重)。 参数:

  • weights (list) - 权重列表。不需要加起来为1
  • num_samplers (int) - 要采样数目
  • replacement (bool) -

1.4 Distributed

DistributedSampler

代码语言:javascript
复制
class torch.utils.data.distributed.DistributedSampler(dataset, num_replicas=None, rank=None)

????没读呢

1.5 其它链接

  1. PyTorch源码解读之torch.utils.data.DataLoader

2 torchvision

计算机视觉用到的库,文档以及码源如下:

  1. torchvision documentation
  2. torchvision 其库主要包含一下内容:
  • torchvision.datasets
    • MNIST
    • Fashion-MNIST
    • EMNIST
    • COCO
    • LSUN
    • ImageFolder
    • DatasetFolder
    • Imagenet-12
    • CIFAR
    • STL10
    • SVHN
    • Photo Tour
    • SBU
    • Flickr
    • VOC
  • torchvision.models
    • Alexnet
    • VGG
    • ResNet
    • SqueezeNet
    • DenseNet
    • Inception v3
  • torchvision.transforms
    • Transforms on PIL Image
    • Transfroms on torch.* Tensor
    • Conversion Transforms
    • Generic Transforms
    • Functional Transforms
  • torchvision.utils

3 应用

3.1 init

具有一下图像数据如下表示:

  • train
    • normal
      • 1.png
      • 2.png
      • 8000.png
    • tumor
      • 1.png
      • 2.png
      • 8000.png
  • validation
    • normal
      • 1.png
    • tumor
      • 1.png

希望能够训练模型,使得能够识别tumor, normal两类,将tumor–>1, normal–>0。

3.2 数据读取

在PyTorch中数据的读取借口需要经过,Dataset和DatasetLoader (DatasetloaderIter)。下面就此分别介绍。

Dataset

首先导入必要的包。

代码语言:javascript
复制
import os

import numpy as np
from torch.utils.data import Dataset
from PIL import Image

np.random.seed(0)

其次定义MyDataset类,为了代码整洁精简,将不必要的操作全删,e.g. 图像剪切等。

代码语言:javascript
复制
class MyDataset(Dataset):
    
    def __init__(self, root, size=229, ):
        """
        Initialize the data producer
        """
        self._root = root
        self._size = size
        self._num_image = len(os.listdir(root))
        self._img_name = os.listdir(root)
    
    def __len__(self):
        return self._num_image
        
    def __getitem__(self, index):
        img = Image.open(os.path.join(self._root, self._img_name[index]))
        
        # PIF image: H × W × C
        # torch image: C × H × W
        img = np.array(img, dtype-np.float32).transpose((2, 0, 1))
        
        return img
DataLoader

将MyDataset封装到loader器中。

代码语言:javascript
复制
from torch.utils.data import DataLoader

# 实例化MyData
dataset_tumor_train = MyDataset(root=/img/train/tumor/)
dataset_normal_train = MyDataset(root=/img/train/normal/)
dataset_tumor_validation = MyDataset(root=/img/validation/tumor/)
dataset_normal_validation = MyDataset(root=/img/validation/normal/)

# 封装到loader
dataloader_tumor_train = DataLoader(dataset_tumor_train, batch_size=10)
dataloader_normal_train = DataLoader(dataset_normal_train, batch_size=10)
dataloader_tumor_validation = DataLoader(dataset_tumor_validation, batch_size=10)
dataloader_normal_validation = DataLoader(dataset_normal_validation, batch_size=10)

3.3 train_epoch

简单将数据流接口与训练连接起来

代码语言:javascript
复制
def train_epoch(model, loss_fn, optimizer, dataloader_tumor, dataloader_normal):
    model.train()
    
    # 由于tumor图像和normal图像一样多,所以将tumor,normal连接起来,steps=len(tumor_loader)=len(normal_loader)
    steps = len(dataloader_tumor)
    batch_size = dataloader_tumor.batch_size
    dataiter_tumor = iter(dataloader_tumor)
    dataiter_normal = iter(dataloader_normal)
    
    for step in range(steps):
        data_tumor = next(dataiter_tumor)
        target_tumor = [1, 1,..,1] # 和data_tumor长度相同的tensor
        data_tumor = Variable(data_tumor.cuda(async=True))
        target_tumor = Variable(target_tumor.cuda(async=True))
         
        data_normal = next(dataiter_normal)
        target_normal = [0, 0,..,0] # 
        data_normal = Variable(data_normal.cuda(async=True))
        target_normal = Variable(target_normal.cuda(async=True))
        
        idx_rand = Variable(torch.randperm(batch_size*2).cuda(async=True))
        
        data = torch.cat([data_tumor, data_normal])[idx_rand]
        target = torch.cat([target_tumor, target_normal])[idx_rand]
        output = model(data)
        loss = loss_fn(output, target)
        
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        
        probs = output.sigmoid()

MARSGGBO♥原创 2019-3-8

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2019-03-08 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 1 PyTorch数据预处理以及源码分析 (torch.utils.data)
    • 1.1 Dataset
      • Dataset
      • TensorDataset
      • ConcatDateset
      • Subset
      • random_split
    • 1.2 DataLoader
      • DataLoader
      • DataLoaderIter
    • 1.3 sampler
      • Sampler
      • SequentialSampler
      • RandomSampler
      • SubsetRandomSampler
      • BatchSampler
      • weightedRandomSampler
    • 1.4 Distributed
      • DistributedSampler
    • 1.5 其它链接
      • 3.1 init
      • 3.2 数据读取
      • 3.3 train_epoch
      • MARSGGBO♥原创 2019-3-8
  • 2 torchvision
  • 3 应用
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档