pytorch基础2-数据集与归一化

专题链接：https://blog.csdn.net/qq_33345365/category_12591348.html

本教程翻译自微软教程：https://learn.microsoft.com/en-us/training/paths/pytorch-fundamentals/

初次编辑：2024/3/2；最后编辑：2024/3/2

---

本教程第一篇介绍pytorch基础和张量操作

这是本教程的第二篇，介绍以下内容：

1. 数据集与数据加载器
2. 归一化

另外本人还有pytorch CV相关的教程，见专题：

https://blog.csdn.net/qq_33345365/category_12578430.html

---

数据集与数据加载器 Datasets and Dataloaders

处理数据样本的代码可能会变得复杂且难以维护。通常希望数据集代码与模型训练代码解耦，以获得更好的可读性和模块化性。PyTorch提供了两个数据原语：torch.utils.data.DataLoader和torch.utils.data.Dataset，它们使您能够使用预加载的数据集以及您自己的数据。Dataset存储样本及其对应的标签，而DataLoader则在Dataset周围包装了一个可迭代对象，以便轻松访问样本。

PyTorch库提供了许多预加载的样本数据集（例如FashionMNIST），它们是torch.utils.data.Dataset的子类，并实现了特定于特殊数据的功能。用于模型原型设计(prototyping)和基准测试(benchmark)的样本包括：

1. 图像数据集
2. 文本数据集
3. 音频数据集

加载数据集

此处使用TorchVision来加载Fashion-MNIST数据集。Fashion-MNIST是Zalando的服装图像数据集，包含60,000个训练样本和10,000个测试样本。每个样本包括一个28×28的灰度图像和一个来自10个类别中的关联标签。

• 每个图像高度为28个像素，宽度为28个像素，总共有784个像素。
• 这10个类别告诉图像是什么类型，例如：T恤/上衣、裤子、套头衫、连衣裙、包、短靴等。
• 灰度像素的值介于0到255之间，用于衡量黑白图像的强度。强度值从白色到黑色递增。例如：白色的颜色值为0，而黑色的颜色值为255。

我们使用以下参数加载FashionMNIST数据集：

• root 是存储训练/测试数据的路径。
• train 指定训练或测试数据集。
• download=True 如果数据在root中不可用，则从互联网下载数据。
• transform 和target_transform 指定特征和标签的转换。

加载训练和测试数据集的代码如下所示：

import torch
from torch.utils.data import Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda
import matplotlib.pyplot as plt

training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

数据集的迭代与可视化

可以像列表一样手动索引Datasets: training_data[index]。此处使用matplotlib对训练数据中的一些样本进行可视化。代码如下所示：

labels_map = {
    0: "T-Shirt",
    1: "Trouser",
    2: "Pullover",
    3: "Dress",
    4: "Coat",
    5: "Sandal",
    6: "Shirt",
    7: "Sneaker",
    8: "Bag",
    9: "Ankle Boot",
}
figure = plt.figure(figsize=(8, 8))
cols, rows = 3, 3
for i in range(1, cols * rows + 1):
    sample_idx = torch.randint(len(training_data), size=(1,)).item()
    img, label = training_data[sample_idx]
    figure.add_subplot(rows, cols, i)
    plt.title(labels_map[label])
    plt.axis("off")
    plt.imshow(img.squeeze(), cmap="gray")
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

得到如下图片：

使用数据加载器(DataLoaders)准备自定义数据

Dataset 逐个样本检索数据集的特征和标签。在训练模型时，通常希望以“minibatch”的形式传递样本，在每个周期重混洗(reshuffle)数据以减少模型过拟合，并使用Python的多进程加速数据检索。

在机器学习中，需要指定数据集中的特征和标签。**特征(Feature)**是输入，**标签(label)**是输出。我们训练特征，然后训练模型以预测标签。

• 特征是图像像素中的模式。
• 标签是10个类别类型：T恤，凉鞋，连衣裙等。

DataLoader是一个可迭代对象，用简单的API抽象了这种复杂性。为了使用DataLoader，我们需要设置以下参数：

• data 用于训练模型的训练数据，以及用于评估模型的测试数据。
• batch size 每个批次要处理的记录数。
• shuffle 按索引随机抽取数据样本。

使用DataLoader处理两个数据集的代码如下所示：

from torch.utils.data import DataLoader

train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)
1
2
3
4

使用DataLoader进行迭代

我们已将数据集加载到 DataLoader 中，现在可以根据需要迭代数据集。 下面的每次迭代都会返回一个批次的 train_features 和 train_labels（分别包含 batch_size=64 个特征和标签）。由于我们指定了 shuffle=True，在遍历完所有批次后，数据将被混洗(shuffle)，以更精细地控制数据加载顺序。

展示图片和标签的代码如下所示：

# Display image and label.
train_features, train_labels = next(iter(train_dataloader))
print(f"Feature batch shape: {train_features.size()}")
print(f"Labels batch shape: {train_labels.size()}")
img = train_features[0].squeeze()
label = train_labels[0]
plt.imshow(img, cmap="gray")
plt.show()
label_name = list(labels_map.values())[label]
print(f"Label: {label_name}")
1
2
3
4
5
6
7
8
9
10

得到图片：

Datasets和DataLoader的区别是：前者检索单个数据，后者批量处理数据

归一化

标准化是一种常见的数据预处理技术，用于对数据进行缩放或转换，以确保每个特征都有相等的学习贡献。例如，灰度图像中的每个像素的值都介于0和255之间，这些是特征。如果一个像素值为17，另一个像素为197，则像素重要性的分布将不均匀，因为较高的像素值会偏离学习。标准化改变了数据的范围，而不会扭曲其特征之间的区别。这种预处理是为了避免：

• 减少预测精度
• 模型学习困难
• 特征数据范围的不利分布

Transforms

数据并不总是以最终处理过的形式呈现，这种形式适合训练机器学习算法。可以使用transforms来操作数据，使其适合训练。

所有 TorchVision 数据集都有两个参数（transform用于修改特征，target_transform用于修改标签），这些参数接受包含转换逻辑的可调用对象。torchvision.transforms 模块提供了几种常用的转换。

FashionMNIST 的特征是 PIL 图像格式，标签是整数。 对于训练，需要将特征转换为归一化的张量，将标签转换为 one-hot 编码的张量。 为了进行这些转换，将使用 ToTensor 和 Lambda。

from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda

ds = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor(),
    target_transform=Lambda(lambda y: torch.zeros(10, dtype=torch.float).scatter_(0, torch.tensor(y), value=1))
)
1
2
3
4
5
6
7
8
9
10

解释上述代码：

ToTensor()

ToTensor 将PIL图像或NumPy ndarray转换为FloatTensor，并将图像的像素强度值缩放到范围 [0., 1.]内。

Lambda transforms

Lambda transforms 应用任何用户定义的lambda函数。在这里，我们定义了一个函数来将整数转换为一个one-hot编码的张量。它首先创建一个大小为10的零张量（数据集中标签的数量），然后调用scatter，根据标签y的索引为其分配值为1。也可以使用torch.nn.functional.one_hot的方式来实现这一点。