本篇是利用 Python 和 PyTorch 處理面向對象的數據集系列博客的第 2 篇。

如需閱讀第 1 篇：原始數據和數據集，請參閱此處。

我們在第 1 部分中已定義 MyDataset 類，現在，讓我們來例化 MyDataset 對象

此可迭代對象是與原始數據交互的接口，在整個訓練過程中都有巨大作用。

第 2 部分：創建數據集對象

輸入 [9]：

mydataset = MyDataset(isValSet_bool = None, raw_data_path = raw_data_path, norm = False, resize = True, newsize = (64, 64))

以下是該對象的一些使用示例：

輸入 [10]：

# 對象操作示例。

# 此操作用于調用 method __getitem__ 并從第 6 個樣本獲取標簽

mydataset[6][1]

輸出 [10]：

0

輸入 [11]：

# 此操作用于在類聲明后打印注釋
MyDataset.__doc__

輸出 [11]：

'Interface class to raw data, providing the total number of samples in the dataset and a preprocessed item'

輸入 [12]：

# 此操作用于調用 method __len__
len(mydataset)

輸出 [12]：

49100

輸入 [13]：

# 此操作用于觸發 method __str__
print(mydataset)

原始數據路徑為 ./raw_data/data_images/

可迭代對象的重要性

訓練期間，將向模型提供多批次樣本。可迭代的 mydataset 是獲得高級輕量代碼的關鍵。

以下提供了可迭代對象的 2 個使用示例。

示例 1：

我們可以直接獲取第 3 個樣本張量：

輸入 [14]：

mydataset.__getitem__(3)[0].shape

輸出 [14]：

torch.Size([3, 64, 64])

與以下操作作用相同

輸入 [15]：

mydataset[3][0].shape

輸出 [15]：

torch.Size([3, 64, 64])

示例 2：

我們可以對文件夾中的圖像進行解析，并移除黑白圖像：

輸入 [ ]：

# 數據集訪問示例：創建 1 個包含標簽的新文件，移除黑白圖像

if os.path.exists(raw_data_path + '/'+ "labels_new.txt"):

    os.remove(raw_data_path + '/'+ "labels_new.txt")

with open(raw_data_path + '/'+ "labels_new.txt", "a") as myfile:

    for item, info in mydataset:

        if item != None:

            if item.shape[0]==1:

                # os.remove(raw_data_path + '/' + info.SampleName)

                print('C = {}; H = {}; W = {}; info = {}'.format(item.shape[0], item.shape[1], item.shape[2], info))

            else:

                #print(info.SampleName + ' ' + str(info.SampleLabel))

                myfile.write(info.SampleName + ' ' + str(info.SampleLabel) + '\n')        

輸入 [ ]：

# 查找具有非期望格式的樣本

with open(raw_data_path + '/'+ "labels.txt", "a") as myfile:

    for item, info in mydataset:

        if item != None:

            if item.shape[0]!=3:

                # os.remove(raw_data_path + '/' + info.SampleName)

                print('C = {}; H = {}; W = {}; info = {}'.format(item.shape[0], item.shape[1], item.shape[2], info))

修改標簽文件后，請務必更新緩存：

輸入 [ ]：

if os.path.exists(raw_data_path + '/'+ "labels_new.txt"):

    os.rename(raw_data_path + '/'+ "labels.txt", raw_data_path + '/'+ "labels_orig.txt")

    os.rename(raw_data_path + '/'+ "labels_new.txt", raw_data_path + '/'+ "labels.txt")


@functools.lru_cache(1)

def getSampleInfoList(raw_data_path):

    sample_list = []

    with open(str(raw_data_path) + '/labels.txt', "r") as f:

        reader = csv.reader(f, delimiter = ' ')

        for i, row in enumerate(reader):

            imgname = row[0]

            label = int(row[1])

            sample_list.append(DataInfoTuple(imgname, label))

    sample_list.sort(reverse=False, key=myFunc)

    return sample_list


del mydataset

mydataset = MyDataset(isValSet_bool = None, raw_data_path = '../../raw_data/data_images', norm = False)

len(mydataset)

您可通過以下鏈接閱讀了解有關 PyTorch 中的可迭代數據庫的更多信息： https://pytorch.org/docs/stable/data.html

歸一化

應對所有樣本張量計算平均值和標準差。

如果數據集較小，可以嘗試在內存中對其進行直接操作：使用 torch.stack 即可創建 1 個包含所有樣本張量的棧。

可迭代對象 mydataset 支持簡潔精美的代碼。

使用“view”即可保留 R、G 和 B 這 3 個通道，并將其余所有維度合并為 1 個維度。

使用“mean”即可計算維度 1 的每個通道的平均值。

請參閱附件中有關 dim 使用的說明。

輸入 [16]：

imgs = torch.stack([img_t for img_t, _ in mydataset], dim = 3)

輸入 [17]：

#im_mean = imgs.view(3, -1).mean(dim=1).tolist()

im_mean = imgs.view(3, -1).mean(dim=1)

im_mean

輸出 [17]：

tensor([0.4735, 0.4502, 0.4002])

輸入 [18]：

im_std = imgs.view(3, -1).std(dim=1).tolist()

im_std

輸出 [18]：

[0.28131285309791565, 0.27447444200515747, 0.2874436378479004]

輸入 [19]：

normalize = transforms.Normalize(mean=[0.4735, 0.4502, 0.4002], std=[0.28131, 0.27447, 0.28744])

# free memory

del imgs

下面，我們將再次構建數據集對象，但這次將對此對象進行歸一化：

輸入 [21]：

mydataset = MyDataset(isValSet_bool = None, raw_data_path = raw_data_path, norm = True, resize = True, newsize = (64, 64))

由于采用了歸一化，因此張量值被轉換至范圍 0..1 之內，并進行剪切操作。

輸入 [22]：

original = Image.open('../../raw_data/data_images/img_00009111.JPEG')



fig, axs = plt.subplots(1, 2, figsize=(10, 3))

axs[0].set_title('clipped tensor')

axs[0].imshow(mydataset[5][0].permute(1,2,0))

axs[1].set_title('original PIL image')

axs[1].imshow(original)

plt.show()

將輸入數據剪切到含 RGB 數據的 imshow 的有效范圍內，以 [0..1] 表示浮點值，或者以 [0..255] 表示整數值。

使用 torchvision.transforms 進行預處理

現在，我們已經創建了自己的變換函數或對象（原本用作為加速學習曲線的練習），我建議使用 Torch 模塊 torchvision.transforms：

“此模塊定義了一組可組合式類函數對象，這些對象可作為實參傳遞到數據集（如 torchvision.CIFAR10），并在加載數據后 __getitem__ 返回數據之前，對數據執行變換”。

以下列出了可能的變換：

輸入 [23]：

from torchvision import transforms
dir(transforms)

輸出 [23]：

['CenterCrop',

 'ColorJitter',

 'Compose',

 'FiveCrop',

 'Grayscale',

 'Lambda',

 'LinearTransformation',

 'Normalize',

 'Pad',

 'RandomAffine',

 'RandomApply',

 'RandomChoice',

 'RandomCrop',

 'RandomErasing',

 'RandomGrayscale',

 'RandomHorizontalFlip',

 'RandomOrder',

 'RandomPerspective',

 'RandomResizedCrop',

 'RandomRotation',

 'RandomSizedCrop',

 'RandomVerticalFlip',

 'Resize',

 'Scale',

 'TenCrop',

 'ToPILImage',

 'ToTensor',

 '__builtins__',

 '__cached__',

 '__doc__',

 '__file__',

 '__loader__',

 '__name__',

 '__package__',

 '__path__',

 '__spec__',

 'functional',

 'transforms']

在此示例中，我們使用變換來執行了以下操作：

1) ToTensor - 從 PIL 圖像轉換為張量，并將輸出格式定義為 CxHxW
2) Normalize - 將張量歸一化

如需了解后續步驟，敬請期待本系列的第 3 部分。

審核編輯 黃昊宇