正文

[PyTorch入门]之数据导入与处理

IP云
IP云V管理员/6 阅读
11/30
提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

数据导入与处理

来自这里。

在解决任何机器学习问题时，都需要在处理数据上花费大量的努力。PyTorch提供了很多工具来简化数据加载，希望使代码更具可读性。在本教程中，我们将学习如何从繁琐的数据中加载、预处理数据或增强数据。

开始本教程之前，请确认你已安装如下Python包：

  • scikit-image：图像IO操作和格式转换
  • pandas：更方便解析CSV

我们接下来要处理的数据集是人脸姿态。这意味着人脸的注释如下：

总之，每个面部都有68个不同标记点。

可以从这里下载数据集，并将其解压后存放到目录‘data/faces/’。

数据集来自带有面部注释的CSV文件，文件内容类似以下格式： 

image_name,part_0_x,part_0_y,part_1_x,part_1_y,part_2_x, ... ,part_67_x,part_67_y

0805personali01.jpg,27,83,27,98, ... 84,134

1084239450_e76e00b7e7.jpg,70,236,71,257, ... ,128,312

接下来我们快速读取CSV文件，并从(N,2)数组中获取注释，N表示标记数量。 

landmarks_frame = pd.read_csv('data/faces/face_landmarks.csv')

n = 65

img_name = landmarks_frame.iloc[n, 0]

landmarks = landmarks_frame.iloc[n, 1:].as_matrix()

landmarks = landmarks.astype('float').reshape(-1, 2)

print('Image name: {}'.format(img_name))

print('Landmarks shape: {}'.format(landmarks.shape))

print('First 4 Landmarks: {}'.format(landmarks[:4]))

输出： 

Image name: person-7.jpg

Landmarks shape: (68, 2)

First 4 Landmarks: [[32. 65.]

 [33. 76.]

 [34. 86.]

 [34. 97.]]

现在我们写一个简单的帮助函数：展示图片和它的标记，用它来展示样本。 

def show_landmarks(image,landmarks):

    '''

    展示带标记点的图像

    '''

    plt.imshow(image)

    plt.scatter(landmarks[:,0],landmarks[:,1],s=10,marker='.',c='r')

    plt.pause(10)

plt.figure()

show_landmarks(io.imread(os.path.join('data/faces',img_name)),landmarks)

plt.show()

数据集类（Dataset class）

torch.utils.data.Dataset 是一个表示数据集的抽象类。你自定义的数据集应该继承 Dataset 并重写以下方法：

  • len 这样 len(dataset) 是可以返回数据集的大小
  • getitem 支持索引操作，比如 dataset[i] 来获取第i个样本。

现在我们来实现我们的面部标记数据集类。我们将在 __init__ 中读取CSV，然后再 __getitem__ 中读取图像。这样可以高效利用内存，因为所有的图像并不是都存在在内存中，而是按需读取。

我们数据集的样本是字典格式的： {'image':image,'landmarks':landmarks} 。我们的数据集将采用可选参数 transform ，以便任何必要的处理都可以被应用在样本上。在下一节中我们会看到 transform 的用途。 

class FaceLandmarksDataset(Dataset):

    '''

    Face Landmarks Dataset

    '''

    def __init__(self,csv_file,root_dir,transform=None):

        '''

        param csv_file(string): 带注释的CSV文件路径

        param root_dit(string): 存储图像的路径

        param transform(callable,optional): 被应用到样本的可选transform操作

        '''

        self.landmarks_frame = pd.read_csv(csv_file)

        self.root_dir = root_dir

        self.transform = transform

    def __len__(self):

        return len(self.landmarks_frame)

    def __getitem__(self,idx):

        img_name = os.path.join(self.root_dir,self.landmarks_frame.iloc[idx,0])

        image = io.imread(img_name)

        landmarks = self.landmarks_frame.iloc[idx,1:]

        landmarks = np.array([landmarks])

        landmarks = landmarks.astype('float').reshape(-1,2)

        sample = {'image':image,'landmarks':landmarks}

        if self.transform:

            sample = self.transform(sample)

        return sample

现在我们实例化这个类，并且迭代输出部分样本。我们打印输出前4个样本并展示它们的标记。 

face_dataset = FaceLandmarksDataset(

    csv_file='data/faces/face_landmarks.csv', root_dir='data/faces/')

fig = plt.figure()

for i in range(len(face_dataset)):

    sample = face_dataset[i]

    print(i, sample['image'].shape, sample['landmarks'].shape)

    ax = plt.subplot(1, 4, i+1)

    plt.tight_layout()

    ax.set_title('Sample #{}'.format(i))

    ax.axis('off')

    show_landmarks(**sample)

    if i == 3:

        plt.show()

        break

输出： 

0 (324, 215, 3) (68, 2)

1 (500, 333, 3) (68, 2)

2 (250, 258, 3) (68, 2)

3 (434, 290, 3) (68, 2)

Transforms(转换)

从上面的例子可以看出这些样本的尺寸并不一致。大多数神经网络都期望图像的尺寸是固定的。这样的话，我们就需要一些处理代码。接下来我们创建三个变换函数：

  • Rescale ：缩放图像
  • RandomCrop ：随机裁剪图像。这是数据扩充。
  • ToTensor ：将numpy图像转为torch图像（我们需要交换轴）。

我们将以类而不是简单的函数的方式来实现它们，这样就不需要在每次调用时都传递转换需要的参数。这样我们只需要实现 __call__ 方法，需要的话还可以实现 __init__ 方法。然后我们可以按如下的方式使用： 

tsfm = Transform(params)

transformed_sample = tsfm(sample)

下面展示如何将这些转换同时应用在图像和标记点。 

class Rescale(object):

    '''

    按给定的尺寸缩放图像  

    param output_size (tuple or int): 目标输出尺寸。如果是tuple，输出为匹配的输出尺寸；如果是int，则匹配较小的图像边缘，保证相同的长宽比例。

    '''

    def __init__(self, output_size):

        assert isinstance(output_size, (int, tuple))

        self.output_size = output_size

    def __call__(self, sample):

        image, landmarks = sample['image'], sample['landmarks']

        h, w = image.shape[:2]

        if isinstance(self.output_size, int):

            if h > w:

                new_h, new_w = self.output_size*h/w, self.output_size

            else:

                new_h, new_w = self.output_size, self.output_size*w/h

        else:

            new_h, new_w = self.output_size

        new_h, new_w = int(new_h), int(new_w)

        img = transform.resize(image, (new_h, new_w))

        landmarks = landmarks*[new_w/w, new_h/h]

        return {'image': img, 'landmarks': landmarks}

class RandomCrop(object):

    '''

    随机裁剪图像

    param output_size (tuple or int): 目标输出尺寸。如果是int，正方形裁剪

    '''

    def __init__(self, output_size):

        assert isinstance(output_size, (int, tuple))

        if isinstance(output_size, int):

            self.output_size = (output_size, output_size)

        else:

            assert len(output_size) == 2

            self.output_size = output_size

    def __call__(self, sample):

        image, landmarks = sample['image'], sample['landmarks']

        h, w = image.shape[:2]

        new_h, new_w = self.output_size

        top = np.random.randint(0, h-new_h)

        left = np.random.randint(0, w-new_w)

        image = image[top:top+new_h, left:left+new_w]

        landmarks = landmarks - [left, top]

        return {'image': image, 'landmarks': landmarks}

class ToTensor(object):

    '''

    将ndarrays格式样本转换为Tensors

    '''

    def __call__(self, sample):

        image, landmarks = sample['image'], sample['landmarks']

        image = image.transpose((2, 0, 1))

        return {'image': torch.from_numpy(image), 'landmarks': torch.from_numpy(landmarks)}

组合变换

现在，我们在样本上应用转换。

比如我们想将图片的短边缩放为256然后在随机裁剪出一个224的正方形，那么我们将用到 Rescale 和 RandomCrop 。 torchvision.transforms.Compost 可以帮助我们完成上述组合操作。 

scale = Rescale(256)

crop = RandomCrop(128)

composed = transforms.Compose([Rescale(256), RandomCrop(224)])

fig = plt.figure()

sample = face_dataset[65]

for i, tsfrm in enumerate([scale, crop, composed]):

    transformed_sample = tsfrm(sample)

    ax = plt.subplot(1, 3, i+1)

    plt.tight_layout()

    ax.set_title(type(tsfrm).__name__)

    show_landmarks(**transformed_sample)

plt.show()

遍历数据集

接下来我们将上面的代码整合起来，创建一个带有组合变换的数据集。综上所述，每次采样该数据集时：

  • 从文件中动态读取图像
  • 转换应用到读取的图像上
  • 由于其中一种转换是随机的，因此数据在抽样时得到了扩充

我们可以是像之前一样用 for i in range 循环遍历创建的数据集： 

transformed_dataset = FaceLandmarksDataset(

    csv_file='data/faces/face_landmarks.csv',

    root_dir='data/faces/',

    transform=transforms.Compose([Rescale(256), RandomCrop(224), ToTensor()])

)

for i in range(len(transformed_dataset)):

    sample = transformed_dataset[i]

    print(i, sample['image'].size(), sample['landmarks'].size())

    if i == 3:

        break

输出： 

0 torch.Size([3, 224, 224]) torch.Size([68, 2])

1 torch.Size([3, 224, 224]) torch.Size([68, 2])

2 torch.Size([3, 224, 224]) torch.Size([68, 2])

3 torch.Size([3, 224, 224]) torch.Size([68, 2])

然而，只是使用建档的 for 训练遍历数据，我们将丢失很多特征。尤其是我们丢失了：

  • 批量处理数据
  • 移动数据
  • 使用 multiprocessing 并行加载数据

torch.utils.data.DataLoader 是一个提供了所有这些功能的迭代器。接下来使用的参数是明朗的。一个有趣的参数是 collate_fn 。你可以使用 collate_fn 指定需要如何对样本进行批量处理。然而，默认的collate足够胜任大多数使用场景。 

dataloader = DataLoader(transformed_dataset, batch_size=4,

                        shuffle=True, num_workers=4)

def show_landmarks_batch(sample_batched):

    '''

    批量展示样本

    '''

    images_batch, landmarks_batch = sample_batched['image'], sample_batched['landmarks']

    batch_size = len(sample_batched)

    im_size = images_batch.size(2)

    grid_border_size = 2

    grid = utils.make_grid(images_batch)

    plt.imshow(grid.numpy().transpose((1, 2, 0)))

    for i in range(batch_size):

        plt.scatter(

            landmarks_batch[i, :, 0].numpy() + i * im_size +

            (i+1)*grid_border_size,

            landmarks_batch[i, :, 1].numpy() + grid_border_size,

            s=10, marker='.', c='r'

        )

        plt.title('Batch from dataloader')

for i_batch,sample_batched in enumerate(dataloader):

    print(i_batch, sample_batched['image'].size(),

          sample_batched['landmarks'].size())

    if i_batch == 3:

        plt.figure()

        show_landmarks_batch(sample_batched)

        plt.axis('off')

        plt.ioff()

        plt.show()

        break

输出： 

0 torch.Size([4, 3, 224, 224]) torch.Size([4, 68, 2])

1 torch.Size([4, 3, 224, 224]) torch.Size([4, 68, 2])

2 torch.Size([4, 3, 224, 224]) torch.Size([4, 68, 2])

3 torch.Size([4, 3, 224, 224]) torch.Size([4, 68, 2])

后续：torchvision

在本教程中，我们了解了如何实现并使用数据集、转换和数据导入。 torchvision 包提供了一些常用的数据集和转换。你甚至可能不需要编写自定义的类。在torchvision中最常用的数据集是 ImageFolder 。它假设图像的组织方式如下所示： 

root/ants/xxx.png

root/ants/xxy.jpeg

root/ants/xxz.png

.

.

.

root/bees/123.jpg

root/bees/nsdf3.png

root/bees/asd932_.png

‘ants’、‘bees’等等都是类的标签。在 PIL.Image 上操作的类似常用的转化，如 RandomHorizontalFlip 、 Scale ，都是可用的。你可以使用它们来编写想下面的数据导入： 

import torch

from torchvision import transforms, datasets

data_transform = transforms.Compose([

        transforms.RandomSizedCrop(224),

        transforms.RandomHorizontalFlip(),

        transforms.ToTensor(),

        transforms.Normalize(mean=[0.485, 0.456, 0.406],

                             std=[0.229, 0.224, 0.225])

    ])

hymenoptera_dataset = datasets.ImageFolder(root='hymenoptera_data/train',

                                           transform=data_transform)

dataset_loader = torch.utils.data.DataLoader(hymenoptera_dataset,

                                             batch_size=4, shuffle=True,

                                             num_workers=4)

相关阅读

目录[+]