第五章——Pytorch中常用的工具

2018年07月07日 17:30:40 __矮油不错哟 阅读数：221

 

• 1. 数据处理
  • • 数据加载
    • ImageFolder
    • DataLoader加载数据
    • sampler：采样模块

1. 数据处理

数据加载

在Pytorch 中，数据加载可以通过自己定义的数据集对象来实现。数据集对象被抽象为Dataset类，实现自己定义的数据集需要继承Dataset,并实现两个Python魔法方法。

• __getitem__: 返回一条数据或一个样本。obj[index]等价于obj.__getitem__(index).
• __len__: 返回样本的数量。len(obj)等价于obj.__len__().

import torch as t
from torch.utils import data
import os
from PIL import Image
import numpy as np

class DogCat(data.Dataset):
    def __init__(self,root):
        imgs=os.listdir(root)
        #所有图片的绝对路径
        #这里不实际加载图片，只是指定路径，当调用__getitem__时才会真正读图片
        self.imgs=[os.path.join(root, img) for img in imgs]

    def __getitem__(self, index):
        img_path=self.imgs[index]
        #dog->1, cat->0
        label=1 if 'dog' in img_path.split("/")[-1] else 0
        pil_img=Image.open(img_path)
        array=np.asarray(pil_img)
        data=t.from_numpy(array)
        return data,label

    def __len__(self):
        return len(self.image)

dataset=DogCat('N:/百度网盘/kaggle/DogCat')
img,label=dataset[0]#相当于调用dataset.__getitem__(0)
for img,label in dataset:
    print(img.size(),img.float().mean(),label)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30

结果：

torch.Size([280, 300, 3]) tensor(71.6653) 0
torch.Size([396, 312, 3]) tensor(131.8400) 0
torch.Size([414, 500, 3]) tensor(156.6921) 0
torch.Size([375, 499, 3]) tensor(96.8243) 0
torch.Size([445, 431, 3]) tensor(103.8582) 1
torch.Size([373, 302, 3]) tensor(160.0512) 1
torch.Size([240, 288, 3]) tensor(95.1983) 1
torch.Size([499, 375, 3]) tensor(90.5196) 1

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

问题：结果大小不一，这对于batch训练的神经网络来说很不友好。
返回的样本数值交大，未归一化至【-1，1】

针对上述问题，pytorch提供了torchvision。它是一个视觉工具包，提供了很多视觉图像处理的工具。
其中transforms模块提供了对PIL Image对象和Tensor对象的常用操作。

对PIL Image的常见操作如下：

• Scale/Resize: 调整尺寸，长宽比保持不变； #Resize
• CenterCrop、RandomCrop、RandomSizedCrop：裁剪图片；
• Pad: 填充；
• ToTensor: 将PIL Image对象转换成Tensor,会自动将【0，255】归一化至【0，1】。

对Tensor的常见操作如下：

• Normalize: 标准化，即减均值，除以标准差；

• ToPILImage:将Tensor转为PIL Image.

  如果要对图片进行多个操作，可通过Compose将这些操作拼接起来，类似于nn.Sequential.
  这些操作定义之后是以对象的形式存在，真正使用时需要调用它的__call__方法，类似于nn.Mudule.
  例如：要将图片调整为224*224,首先应构建操作trans=Scale((224,224)),然后调用trans(img).

import os
from PIL import Image
import numpy as np
from torchvision import transforms as T
transforms=T.Compose([
    T.Resize(224),  #缩放图片（Image）,保持长宽比不变，最短边为224像素
    T.CenterCrop(224), #从图片中间裁剪出224*224的图片
    T.ToTensor(), #将图片Image转换成Tensor，归一化至【0,1】
    T.Normalize(mean=[.5,.5,.5],std=[.5,.5,.5])  #标准化至【-1,1】，规定均值和方差
])

class DogCat(data.Dataset):
    def __init__(self,root, transforms=None):
        imgs=os.listdir(root)
        self.imgs=[os.path.join(root, img) for img in imgs]
        self.transforms=transforms

    def __getitem__(self, index):
        img_path=self.imgs[index]
        #dog->1, cat->0
        label=1 if 'dog' in img_path.split("/")[-1] else 0
        data=Image.open(img_path)
        if self.transforms:
            data=self.transforms(data)
        return data,label

    def __len__(self):
        return len(self.imgs)        

dataset=DogCat('N:/百度网盘/kaggle/DogCat/', transforms=transforms)
img,label=dataset[0]#相当于调用dataset.__getitem__(0)
for img,label in dataset:
    print(img.size(),label)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34

结果：

torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 1
torch.Size([3, 224, 224]) 1
torch.Size([3, 224, 224]) 1
torch.Size([3, 224, 224]) 1

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

除了上述操作外，transforms还可以通过Lambda封装自定义的转换策略.
例如相对PIL Image进行随机旋转，则可以写成trans=T.Lambda(lambda img: img.rotate(random()*360)).

ImageFolder

下面介绍一个会经常使用到的Dataset——ImageFolder,它的实现和上述DogCat很相似。
ImageFolder假设所有的文件按文件夹保存，每个文件夹下存储同一个类别的图片，文件夹名为类名，其构造函数如下：

ImageFolder(root, transform=None, target_transform = None, loader = default_loader)

• 1
• 2

它主要有四个参数：

• root ：在root指定的路径下寻找图片
• transform: 对PIL Image进行转换操作， transform的输入是使用loader读取图片返回的对象；
• target_transform ：对label的转换；
• loader: 指定加载图片的函数，默认操作是读取为PIL Image对象。
  label是按照文件夹名顺序排序后存成字典的，即{类名：类序号（从0开始）} ，一般来说最好直接将文件夹命名为从0开始的数字，这样会和ImageFolder实际的label一直，如果不是这种命名规则，建议通过self.class_to_idx属性了解label和文件夹名的映射关系。

from torchvision.datasets import ImageFolder
dataset=ImageFolder('N:\\data\\')
dataset.class_to_idx

• 1
• 2
• 3

运行结果：

{'cat': 0, 'dog': 1}

• 1

输入：

#所有图片的路径和对应的label
dataset.imgs

• 1
• 2

输出：

[('N:\\data\\cat\\cat.1.jpg', 0),
 ('N:\\data\\cat\\cat.2.jpg', 0),
 ('N:\\data\\cat\\cat.3.jpg', 0),
 ('N:\\data\\cat\\cat.4.jpg', 0),
 ('N:\\data\\dog\\dog.9131.jpg', 1),
 ('N:\\data\\dog\\dog.9132.jpg', 1),
 ('N:\\data\\dog\\dog.9133.jpg', 1),
 ('N:\\data\\dog\\dog.9134.jpg', 1)]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

#没有任何的transform，所以返回的还是PIL Image对象
dataset[0][1]  #第一维是第几张图，第二维为1返回label

• 1
• 2

输出：0

dataset[0][0] #第一维是第几张图，第二维为0返回图片数据，返回的Image对象如图所示：

• 1

输出：

加上transform：

normilize=T.Normalize(mean=[0.4,0.4,0.4],std=[0.2,0.2,0.2])
transform=T.Compose([
    T.RandomResizedCrop (224),
    T.RandomHorizontalFlip(),
    T.ToTensor(),
    normilize,
])

• 1
• 2
• 3
• 4
• 5
• 6
• 7

dataset=ImageFolder('N:\\data\\',transform=transform)
#深度学习中图片数据一般保存为CxHxWx，即通道数x图片高x图片宽
dataset[0][0].size()

• 1
• 2
• 3

输出：

torch.Size([3, 224, 224])

• 1

to_img=T.ToPILImage()
#0.2和0.4是标准差和均值的近似
to_img(dataset[0][0]*0.2+0.4)

• 1
• 2
• 3

输出：

DataLoader加载数据

Dateset只负责数据的抽象，一次调用__getitem__只返回一个样本。
在训练神经网络时，是对一个batch的数据进行操作，同时还要进行shuffle和并行加速等。
对此，pytorch提供了DataLoader帮助我们实现这些功能。
DataLoader的函数定义如下：

DataLoader(dataset, batch_size=1, shuffle=False, sampler=None,
           num_workers=0, collate_fn=default_collate, pin_memory=False, drop_last=False)

• 1
• 2

• dataset: 加载的数据集）Dataset对象；
• 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。

from torch.utils.data import DataLoader
dataloader=DataLoader(dataset, batch_size=3, shuffle=True, num_workers=0, drop_last=False)

dataiter=iter(dataloader)
imgs,labels=next(dataiter)
imgs.size()

• 1
• 2
• 3
• 4
• 5
• 6

输出：

torch.Size([3, 3, 224, 224])

• 1

dataloader是一个可迭代的对象，我们可以像使用迭代器一样使用它，例如：

for batch_datas,batch_labels in dataloader:
    train()

• 1
• 2

或

dataiter=iter(dataloader)
batch_datas,batch_labels =next(dataiter)

• 1
• 2

sampler：采样模块

Pytorch 中还提供了一个sampler模块，用来对数据进行采样。
常用的有随机采样器RandonSampler,当dataloader的shuffle参数为True时，系统会自动调用这个采样器 ，实现打乱数据。

默认的采样器是SequentialSampler, 它会按顺序一个一个进行采样。

这里介绍另外一个很有用的采样方法：它会根据每个样本的权重选取数据，在样本比例不均衡的问题中，可用它进行重采样。

构建WeightedRandomSampler时需提供两个参数：每个样本的权重weights、共选取的样本总数num_samples,以及一个可选参数replacement。权重越大的样本被选中的概率越大，待选取的样本数目一般小于全部样本数目。
replacement用于指定是否可以重复选取某一个样本，默认为True,即允许在一个epoch中重复采样某一个数据。
如果设为False,则当某一类样本被全部选取完，但样本数目仍为达到num_samples时，sampler将不会再从该类中选取数据，此时可能导致weights参数失效。
下面举例说明：
1)

#dataset=DogCat('N:/百度网盘/kaggle/DogCat/',transforms=transforms)
dataset=DogCat('N:/百度网盘/kaggle/DogCat/', transforms=transforms)
#img,label=dataset[0]#相当于调用dataset.__getitem__(0)
#狗的图片取出的概率是猫的概率的两倍
#两类取出的概率与weights的绝对值大小无关，之和比值有关
weights=[2 if label==1 else 1 for data ,label in dataset]
weights

• 1
• 2
• 3
• 4
• 5
• 6
• 7

输出：

[1, 1, 1, 1, 2, 2, 2, 2]

• 1

2)

from torch.utils.data.sampler import WeightedRandomSampler
sampler=WeightedRandomSampler(weights,
                             num_samples=9,
                             replacement=True)
dataloader=DataLoader(dataset,
                     batch_size=3,
                     sampler=sampler)
for datas,labels in dataloader:
    print(labels.tolist())

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

输出:

[1, 0, 1]
[1, 0, 1]
[1, 0, 1]

• 1
• 2
• 3

可见猫狗样本比例约为1：2，另外一共有8个样本，却返回了9个样本，说明样本有被重复返回的，这就是replacement参数的作用。
下面我们将replacement设置为False.

from torch.utils.data.sampler import WeightedRandomSampler
sampler=WeightedRandomSampler(weights,num_samples=8,replacement=False)
dataloader=DataLoader(dataset,batch_size=4,sampler=sampler)
for datas,labels in dataloader:
    print(labels.tolist())

• 1
• 2
• 3
• 4
• 5

输出：

[0, 0, 1, 0]
[1, 0, 1, 1]

• 1
• 2

在这种情况下，num_samples等于dataset的样本总数，为了 不重复选取，sampler会将每个样本都返回，这样就失去了weight的意义。

从上面的例子可见sampler在采样中的作用：如果指定了sampler，shuffle将不再生效，并且sampler.num_smples会覆盖dataset的实际大小，即一个epoch返回的图片总数取决于sampler.num_samples.

---

总结：
完整代码：

import os
from PIL import Image
from torch.utils import data
#import numpy as np
from torchvision import transforms as T
from torch.utils.data import DataLoader
from torch.utils.data.sampler import WeightedRandomSampler

transforms=T.Compose([
    T.Resize(224),  #缩放图片（Image）,保持长宽比不变，最短边为224像素
    T.CenterCrop(224), #从图片中间裁剪出224*224的图片
    T.ToTensor(), #将图片Image转换成Tensor，归一化至【0,1】
    T.Normalize(mean=[.5,.5,.5],std=[.5,.5,.5])  #标准化至【-1,1】，规定均值和方差
])

class DogCat(data.Dataset):
    def __init__(self,root, transforms=None):
        imgs=os.listdir(root)
        self.imgs=[os.path.join(root, img) for img in imgs]
        self.transforms=transforms

    def __getitem__(self, index):
        img_path=self.imgs[index]
        #dog->1, cat->0
        label=1 if 'dog' in img_path.split("/")[-1] else 0
        data=Image.open(img_path)
        if self.transforms:
            data=self.transforms(data)
        return data,label

    def __len__(self):
        return len(self.imgs)        

dataset=DogCat('N:/百度网盘/kaggle/DogCat/', transforms=transforms)
img,label=dataset[0]#相当于调用dataset.__getitem__(0)
print("******dataset*************")
print("dataset")
for img,label in dataset:
    print(img.size(),label)

dataset=DogCat('N:/百度网盘/kaggle/DogCat/', transforms=transforms)

#狗的图片取出的概率是猫的概率的两倍
#两类取出的概率与weights的绝对值大小无关，之和比值有关
weights=[2 if label==1 else 1 for data ,label in dataset]
print("******weights**************")

print("weight:{}".format(weights))

print("******sampler**************")

sampler=WeightedRandomSampler(weights,num_samples=8,replacement=False)
dataloader=DataLoader(dataset,batch_size=4,sampler=sampler)
for datas,labels in dataloader:
    print(labels.tolist())

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55

输出：

******dataset*************
dataset
torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 0
torch.Size([3, 224, 224]) 1
torch.Size([3, 224, 224]) 1
torch.Size([3, 224, 224]) 1
torch.Size([3, 224, 224]) 1
******weights**************
weight:[1, 1, 1, 1, 2, 2, 2, 2]
******sampler**************
[0, 0, 1, 1]
[1, 0, 1, 0]