PyTorch数据处理工具

概述

PyTorch主要数据处理工具:

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）。
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。
random_split：把数据集随机拆分为给定长度的非重叠的新数据集。
*sampler：多种采样函数。

视觉处理工具包torchvision包括四个类，功能如下：

datasets：提供常用的数据集加载，设计上都是继承自torch.utils.data.Dataset，主要包括MMIST、CIFAR10/100、ImageNet和COCO等。
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。
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。
utils：含两个函数，一个是make_grid，它能将多张图片拼接在一个网格中；另一个是save_img，它能将Tensor保存成图片。

utils.data

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，一个是__len__，另一个是__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。__getitem__一次只能获取一个数据，所以需要通过torch.utils.data.DataLoader来定义一个新的迭代器，实现batch读取。

import torch
from torch.utils import data
import numpy as np#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):def __init__(self):self.Data=np.asarray([[1,2],[3,4],[2,1],[3,4],[4,5]])#一些由二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Tensortxt=torch.from_numpy(self.Data[index])label=torch.tensor(self.Label[index])return txt,labeldef __len__(self):return len(self.Data)
#获取数据集中数据。
Test=TestDataset()
print(Test[2])#相当于调用__getitem__(2)
print(Test.__len__())

结果

(tensor([2, 1], dtype=torch.int32), tensor(0, dtype=torch.int32))
5

批量处理可使用DataLoader。其格式为：

data.DataLoader(dataset,batch_size=1,shuffle=False,sampler=None,batch_sampler=None,num_workers=0,collate_fn=<function default_collate at 0x7f108ee01620>,pin_memory=False,drop_last=False,timeout=0,worker_init_fn=None,
)

参数说明：

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。

实例：

test_loader = data.DataLoader(Test,batch_size=2,shuffle=False,num_workers=0)
for i,traindata in enumerate(test_loader):print('i:',i)Data,Label=traindataprint('data:',Data)print('Label:',Label)

结果：

i: 0
data: tensor([[1, 2],[3, 4]], dtype=torch.int32)
Label: tensor([0, 1], dtype=torch.int32)
i: 1
data: tensor([[2, 1],[3, 4]], dtype=torch.int32)
Label: tensor([0, 1], dtype=torch.int32)
i: 2
data: tensor([[4, 5]], dtype=torch.int32)
Label: tensor([2], dtype=torch.int32)

torchvision

torchvision有4个功能模块：model、datasets、transforms和utils，下面将重点介绍transforms及ImageFolder。

transforms

对PIL Image的常见操作:

Scale/Resize：调整尺寸，长宽比保持不变。
CenterCrop、RandomCrop、RandomSizedCrop：裁剪图片，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。

对Tensor的操作:

Normalize：标准化，即，减均值，除以标准差。
ToPILImage：将Tensor转为PIL Image。

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，切出来的图片形状是正方形。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.FloatTensortransforms.ToTensor(),#规范化到[-1,1]transforms.Normalize(mean = (0.5, 0.5, 0.5), std = (0.5, 0.5, 0.5))
])

ImageFolder

当文件依据标签处于不同文件下时，如：

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，当DataLoader载入时，标签自动就是整数序列了。

实例：

from torchvision import transforms,utils
from torchvision import datasets
import torch
import matplotlib.pyplot as plt
%matplotlib inlinemy_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

结果：

#打开test01.png文件
from PIL import Image
Image.open('test01.png')

结果：

可视化工具

Tensorboard是Google TensorFlow的可视化工具，它可以记录训练数据、评估数据、网络结构、图像等，并且可以在web上展示，对于观察神经网络训练的过程非常有帮助。PyTorch可以采用tensorboard_logger、visdom等可视化工具，但这些方法比较复杂或不够友好。为解决这一问题，人们推出了可用于PyTorch可视化的新的更强大的工具——tensorboardX。

简介

步骤：

#导入tensorboardX，实例化SummaryWriter类，指明记录日志路径等信息。
from tensorboardX 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()

如果是Windows环境，log_dir注意路径解析，如：

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

SummaryWriter的格式为：

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

如果不写log_dir，系统将在当前目录创建一个runs的目录。
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)

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

用tensorboardX可视化神经网络

import torch.nn.functional as F
import torchvision
from tensorboardX import SummaryWriter
#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
#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, ))

结果：

用tensorboardX可视化损失值

可视化损失值，需要使用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 = 2*np.power(x_train,2) + 2 + 0.2*np.random.rand(x_train.size).reshape(100,1)
input_size = 1
output_size = 1
learning_rate = 0.01
num_epoches = 60
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)
writer.flush()
writer.close()

训练损失值结果：

用tensorboardX可视化特征图

利用tensorboardX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。

import torchvision.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xx = x.view(x.size(0), -1) if "fc" in name else xprint(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, Wimg_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)

参考书籍：《Python深度学习：基于PyTorch》

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, Wimg_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)

参考书籍：《Python深度学习：基于PyTorch》