纯净、安全、绿色的下载网站

首页|软件分类|下载排行|最新软件|IT学院

当前位置:首页IT学院IT技术

pytorch图像分类数据集 Python深度学习pytorch实现图像分类数据集

Supre_yuan   2021-10-11 我要评论
想了解Python深度学习pytorch实现图像分类数据集的相关内容吗Supre_yuan在本文为您仔细讲解pytorch图像分类数据集的相关知识和一些Code实例欢迎阅读和指正我们先划重点:Python深度学习,pytorch实现图像分类数据集下面大家一起来学习吧。

目前广泛使用的图像分类数据集之一是MNIST数据集。如今MNIST数据集更像是一个健全的检查而不是一个基准。

为了提高难度我们将在接下来的章节中讨论在2017年发布的性质相似但相对复杂的Fashion-MNIST数据集。

import torch
import torchvision
from torch.utils import data
from torchvision import transforms
from d2l import torch as d2l
d2l.use_svg_display()

读取数据集

我们可以通过框架中的内置函数将Fashion-MNIST数据集下载并读取到内存中。

# 通过ToTensor实例将图像数据从PIL类型变换成32位浮点数格式
# 并除以255使得所有像素的数值均在0到1之间
trans = transforms.ToTensor()
mnist_train = torchvision.datasets.FashionMNIST(root="../data", train=True, transform=trans, download=True)
mnist_test = torchvisino.datasets.FashionMNIST(root="../data", train=False, transform=trans, download=True)

Fashion-MNIST由10个类别的图像组成每个类别由训练集中的6000张图像和测试集中的1000张图像组成。

测试数据集(test dataset)不会用于训练只用于评估模型性能。训练集和测试集分别包含60000和10000张图像。

len(mnist_train), len(mnist_test)
(60000, 10000)

每个输入图像的高度和宽度均为28像素。数据集由灰度图像组成其通道数为1。

为了简洁起见本篇中我们将高度h像素宽度w像素图像的形状即为 h×w或 (h,w)。

mnist_train[0][0].shape
torch.size([1, 28, 28])

Fashion-MNIST中包含10个类别分别是

t-shirt(T恤)、trouser(裤⼦)、pullover(套衫)、dress(连⾐裙)、coat(外套)、

sandal(凉鞋)、shirt(衬衫)、sneaker(运动鞋)、bag(包)和ankle boot(短靴)

以下函数用于在数字标签索引及其文本名称之间进行转换。

def get_fashion_mnist_labels(labels):
	"""返回Fashion-MNIST数据集的本文标签。"""
	text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat', 'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']
	return [text_labels[int(i)] for i in labels]

我们现在可以创建一个函数来可视化这些样本。

def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5):
	"""Plot a list of images."""
	figsize = (num_cols * scale, num_rows * scale)
	_, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)
	axes = axes.flatten()
	for i, (ax, img) in enumerate(zip(axes, imgs)):
		if torch.is_tensor(img):
			# 图片张量
			ax.imshow(img.numpy())
		else:
			# PIL图片
			ax.imshow(img)
		ax.axes.get_xaxis().set_visible(False)
		ax.axes.get_yaxis().set_visible(False)
		if titles:
			ax.set_title(titles[i])
	return axes

以下是训练数据集中前几个样本的图像及其相应的标签(文本形式)。

X, y = next(iter(data.DataLoader(mnist_train, batch_size=18)))
show_images(X.reshape(18, 28, 28), 2, 9, titles=get_fashion_mnist_labels(y))

在这里插入图片描述

读取小批量

为了使我们在读取训练集和测试集时更容易我们使用内置的数据迭代器而不是从零开始创建一个。回顾一下在每次迭代中数据加载器每次都会读取一小批量数据大小为batch_size。我们在训练数据迭代其中还随机打乱了所有样本

batch_size = 256
def get_dataloader_workers():
	"""使用4个进程来读取数据。"""
	return 4
train_iter = data.DataLoader(mnist_train, batch_size, shuffle=True, num_workers=get_dataloader_workers())

整合所有组件

现在我们定义load_data_fashion_mnist函数用于获取和读取Fashion-MNIST数据集。它返回训练集和验证集的数据迭代器。此外它还接受一个可选参数用来将图像大小调整为另一种形状。

def load_data_fashion_mnist(batch_size, resize=None):
	"""下载Fashion-MNIST数据集然后将其加载到内存中。"""
	trans = [transforms.ToTensor()]	
	if resize:
		trans.insert(0, transforms.Resize(resize))	
	trans = transforms.Compose(trans)
	mnist_train = torchvision.datasets.FashionMNIST(root="../data", train=True, transforms=trans, download=True)
	mnist_test = torchvision.datasets.FashionMNIST(root="../data", train=False, transforms=trans, download=True)
	return(data.DataLoader(mnist_train, batch_size, shuffle=True, num_workers=get_dataloader_workers()),
		   data.DataLoader(mnist_test, batch_size, shuffle=False, num_workers=get_dataloader_workers()))

下面我们通过指定resize参数来测试load_data_fashion_mnist函数的图像大小调整功能。

train_iter, test_iter = load_data_fashion_mnist(32, resize=64)
for X, y in train_iter:
	print(X.shape, X.dtype, y.shape, y.dtype)
	break
torch.Size([32, 1, 64, 64]) torch.float32 torch.Size([32]) torch.int64

相关文章

猜您喜欢

  • Python错误和异常 Python错误和异常总结详细

    想了解Python错误和异常总结详细的相关内容吗朱卫军在本文为您仔细讲解Python错误和异常的相关知识和一些Code实例欢迎阅读和指正我们先划重点:Python错误,Python异常下面大家一起来学习吧。..
  • ThreadLocal用法及内存泄露 基于ThreadLocal 的用法及内存泄露(内存溢出)

    想了解基于ThreadLocal 的用法及内存泄露(内存溢出)的相关内容吗知我饭否在本文为您仔细讲解ThreadLocal用法及内存泄露的相关知识和一些Code实例欢迎阅读和指正我们先划重点:ThreadLocal内存泄露,ThreadLocal内存溢出,ThreadLocal的用法下面大家一起来学习吧。..

网友评论

Copyright 2020 www.Shellfishsoft.com 【贝软下载站】 版权所有 软件发布

声明:所有软件和文章来自软件开发商或者作者 如有异议 请与本站联系 点此查看联系方式