在编写代码训练神经网络之前,导入数据是必不可少的。PyTorch提供了许多预加载的数据集(如FashionMNIST),这些数据集 子类并实现特定于特定数据的函数。
它们可用于对模型进行原型设计和基准测试,加载这些数据集是十分简单的。好吧,那如何加载自己制作的数据集呢?
简单来讲,自定义数据集类必须实现三个函数:init、len__和__getitem。下面代码就实现了一个Dataset
import osimport torchfrom torch.utils.data import Datasetfrom torchvision import transformsfrom PIL import Imageimport numpy as npclass MyDataset(Dataset): def __init__(self, path_file,transform=None,label_transform=None): self.path_file=path_file self.imgs=[name for name in os.listdir(path_file)]#获取path_file路径下所有文件名 self.transform = transform self.label_transform = label_transform def __len__(self): return len(self.imgs) def __getitem__(self, idx): #get the image img_path = os.path.join(self.path_file,self.imgs[idx])#获得图片完整路径 image=Image.open(img_path) image=image.resize((28,28))#修改图片为默认大小 image = np.array(image) image=torch.from_numpy(image)#将numpy数组转换为张量 image=image.permute(2,0,1)#将H,W,C转换为C,H,W if self.transform: image = self.transform(image) #get the label str1=self.imgs[idx].split('.') label=torch.tensor(eval(str1[1])) if self.label_transform: label=self.label_transform(label) return image, label
注:上述代码从路径path_file读取文件,准确来讲应该是我们准备的训练图片,格式如下:
cat1.0.jpg
cat2.0.jpg
...
dog1.1.jpg
dog2.1.jpg
...
图片名重要含义:类别(0,1等)
而cat1,dog1这些并不重要,因为0,1,已经反映了图片的类别,这里仅仅是一个习惯,同样jpg也是如此。
实际上,在我们准备图片时,图片名往往不是这样,但直接写个简单的文件处理程序便很容易转变为上述格式。
之所以这样命名,就是为容易获得图片和对应的类别,也就是实现自己的Dataset。当然,其它还有许多方法,但核心就是加载自己的数据时获得图片和对应的类别。
再次看一下实现自己的Dataset的架构:
class CustomImageDataset(Dataset): def __init__(self, path_file, transform=None, target_transform=None): ... ... ... def __len__(self): return len(...) def __getitem__(self, idx): ... ... ... if self.transform: image = self.transform(image) if self.label_transform: label = self.label_transform(label) return image, label
在训练模型时,我们通常希望 在"小批量"中传递样本,在每个时期重新洗牌数据以减少模型过度拟合,并使用 Python 的 加快数据检索速度。
**DataLoader是一个迭代对象,它在一个简单的 API 中为我们抽象了这种复杂性。**下面我们将Dataset带入DataLoader.
path="E:\\3-10\\dogandcats\\train"#图片所在目录training_data=MyDataset(path)train_dataloader = torch.utils.data.DataLoader(training_data, batch_size=2, shuffle=True)
让我们run一下:
>>> trainimg,label=next(iter(train_dataloader))>>> trainimg.size()torch.Size([2, 3, 28, 28])>>> label.size()torch.Size([2])
结果符合预期,与在使用pytorch预加载的数据集格式一样!
点点点,赞和在看都在这儿!