这篇教程PyTorch数据读取的实现示例写得很实用，希望能帮到您。
前言PyTorch作为一款深度学习框架，已经帮助我们实现了很多很多的功能了，包括数据的读取和转换了，那么这一章节就介绍一下PyTorch内置的数据读取模块吧
模块介绍 - pandas 用于方便操作含有字符串的表文件，如csv
- zipfile python内置的文件解压包
- cv2 用于图片处理的模块,读入的图片模块为BGR,N H W C
- torchvision.transforms 用于图片的操作库，比如随机裁剪、缩放、模糊等等，可用于数据的增广，但也不仅限于内置的图片操作，也可以自行进行图片数据的操作，这章也会讲解
- torch.utils.data.Dataset torch内置的对象类型
- torch.utils.data.DataLoader 和Dataset配合使用可以实现数据的加速读取和随机读取等等功能
import zipfile # 解压import pandas as pd # 操作数据import os # 操作文件或文件夹import cv2 # 图像操作库import matplotlib.pyplot as plt # 图像展示库from torch.utils.data import Dataset # PyTorch内置对象from torchvision import transforms # 图像增广转换库 PyTorch内置import torch 初步读取数据数据下载到此处
我们先初步编写一个脚本来实现图片的展示 # 解压文件到指定目录def unzip_file(root_path, filename): full_path = os.path.join(root_path, filename) file = zipfile.ZipFile(full_path) file.extractall(root_path)unzip_file(root_path, zip_filename)# 读入csv文件face_landmarks = pd.read_csv(os.path.join(extract_path, csv_filename))# pandas读出的数据如想要操作索引 使用ilocimage_name = face_landmarks.iloc[:,0]landmarks = face_landmarks.iloc[:,1:]# 展示def show_face(extract_path, image_file, face_landmark): plt.imshow(plt.imread(os.path.join(extract_path, image_file)), cmap='gray') point_x = face_landmark.to_numpy()[0::2] point_y = face_landmark.to_numpy()[1::2] plt.scatter(point_x, point_y, c='r', s=6) show_face(extract_path, image_name.iloc[1], landmarks.iloc[1]) 
使用内置库来实现实现MyDataset 使用内置库是我们的代码更加的规范，并且可读性也大大增加
继承Dataset,需要我们实现的有两个地方: - 实现
__len__返回数据的长度，实例化调用len()时返回 __getitem__给定数据的索引返回对应索引的数据如：a[0]transform 数据的额外操作时调用 class FaceDataset(Dataset): def __init__(self, extract_path, csv_filename, transform=None): super(FaceDataset, self).__init__() self.extract_path = extract_path self.csv_filename = csv_filename self.transform = transform self.face_landmarks = pd.read_csv(os.path.join(extract_path, csv_filename)) def __len__(self): return len(self.face_landmarks) def __getitem__(self, idx): image_name = self.face_landmarks.iloc[idx,0] landmarks = self.face_landmarks.iloc[idx,1:].astype('float32') point_x = landmarks.to_numpy()[0::2] point_y = landmarks.to_numpy()[1::2] image = plt.imread(os.path.join(self.extract_path, image_name)) sample = {'image':image, 'point_x':point_x, 'point_y':point_y} if self.transform is not None: sample = self.transform(sample) return sample测试功能是否正常 face_dataset = FaceDataset(extract_path, csv_filename)sample = face_dataset[0]plt.imshow(sample['image'], cmap='gray')plt.scatter(sample['point_x'], sample['point_y'], c='r', s=2)plt.title('face')
实现自己的数据处理模块内置的在torchvision.transforms模块下，由于我们的数据结构不能满足内置模块的要求，我们就必须自己实现
图片的缩放，由于缩放后人脸的标注位置也应该发生对应的变化，所以要自己实现对应的变化 class Rescale(object): def __init__(self, out_size): assert isinstance(out_size,tuple) or isinstance(out_size,int), 'out size isinstance int or tuple' self.out_size = out_size def __call__(self, sample): image, point_x, point_y = sample['image'], sample['point_x'], sample['point_y'] new_h, new_w = self.out_size if isinstance(self.out_size,tuple) else (self.out_size, self.out_size) new_image = cv2.resize(image,(new_w, new_h)) h, w = image.shape[0:2] new_y = new_h / h * point_y new_x = new_w / w * point_x return {'image':new_image, 'point_x':new_x, 'point_y':new_y}将数据转换为torch认识的数据格式因此，就必须转换为tensor
注意: cv2和matplotlib读出的图片默认的shape为N H W C,而torch默认接受的是N C H W因此使用tanspose转换维度，torch转换多维度使用permute class ToTensor(object): def __call__(self, sample): image, point_x, point_y = sample['image'], sample['point_x'], sample['point_y'] new_image = image.transpose((2,0,1)) return {'image':torch.from_numpy(new_image), 'point_x':torch.from_numpy(point_x), 'point_y':torch.from_numpy(point_y)}测试 transform = transforms.Compose([Rescale((1024, 512)), ToTensor()])face_dataset = FaceDataset(extract_path, csv_filename, transform=transform)sample = face_dataset[0]plt.imshow(sample['image'].permute((1,2,0)), cmap='gray')plt.scatter(sample['point_x'], sample['point_y'], c='r', s=2)plt.title('face')
使用Torch内置的loader加速读取数据data_loader = DataLoader(face_dataset, batch_size=4, shuffle=True, num_workers=0)for i in data_loader: print(i['image'].shape) break torch.Size([4, 3, 1024, 512]) 注意: windows环境尽量不使用num_workers会发生报错
总结这节使用内置的数据读取模块，帮助我们规范代码，也帮助我们简化代码，加速读取数据也可以加速训练，数据的增广可以大大的增加我们的训练精度，所以本节也是训练中比较重要环节 到此这篇关于PyTorch数据读取的实现示例的文章就介绍到这了,更多相关PyTorch数据读取内容请搜索51zixue.net以前的文章或继续浏览下面的相关文章希望大家以后多多支持51zixue.net！
Pandas 实现分组计数且不计重复
超详细PyTorch实现手写数字识别器的示例代码 |
