資料處理

版本1

#資料處理
import os
import torch
from torch.utils import data
from PIL import Image
import numpy as np

#定義自己的資料集合
class DogCat(data.Dataset):

  def __init__(self,root):
    #所有圖片的絕對路徑
    imgs=os.listdir(root)

    self.imgs=[os.path.join(root,k) for k 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=torch.from_numpy(array)
    return data,label

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

dataSet=DogCat('./data/dogcat')

print(dataSet[0])

輸出：

( 
( 0,.,.) = 
215 203 191 
206 194 182 
211 199 187 
⋮ 
200 191 186 
201 192 187 
201 192 187

( 1,.) = 
215 203 191 
208 196 184 
213 201 189 
⋮ 
198 189 184 
200 191 186 
201 192 187

( 2,.) = 
215 201 188 
209 195 182 
214 200 187 
⋮ 
200 191 186 
202 193 188 
204 195 190 
…

(399,.) = 
72 90 32 
88 106 48 
38 56 0 
⋮ 
158 161 106 
87 85 36 
105 98 52 
[torch.ByteTensor of size 400x300x3],1)

上面的資料處理有下面的問題：

1.返回的樣本的形狀大小不一致，每一張圖片的大小不一樣。這對於需要batch訓練的神經網路來說很不友好。

2. 返回的資料樣本數值很大，沒有歸一化【-1,1】

對於上面的問題，pytorch torchvision 是一個視覺化的工具包，提供了很多的影象處理的工具，其中transforms模組提供了對PIL image物件和Tensor物件的常用操作。

對PIL Image常見的操作如下;

Resize 調整圖片的尺寸，長寬比保持不變

CentorCrop ，RandomCrop,RandomSizeCrop 裁剪圖片

Pad 填充

ToTensor 將PIL Image 轉換為Tensor,會自動將[0,255] 歸一化至[0,1]

對Tensor 的操作如下:

Normalize 標準化，即減均值，除以標準差

ToPILImage 將Tensor轉換為 PIL Image物件

版本2

#資料處理
import os
import torch
from torch.utils import data
from PIL import Image
import numpy as np
from torchvision import transforms

transform=transforms.Compose([
  transforms.Resize(224),#縮放圖片，保持長寬比不變，最短邊的長為224畫素,transforms.CenterCrop(224),#從中間切出 224*224的圖片
  transforms.ToTensor(),#將圖片轉換為Tensor,歸一化至[0,1]
  transforms.Normalize(mean=[.5,.5,.5],std=[.5,.5]) #標準化至[-1,1]
])

#定義自己的資料集合
class DogCat(data.Dataset):

  def __init__(self,k) for k in imgs]
    self.transforms=transform

  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)
    if self.transforms:
      data=self.transforms(pil_img)
    else:
      pil_img=np.asarray(pil_img)
      data=torch.from_numpy(pil_img)
    return data,.) = 
-0.1765 -0.2627 -0.1686 … -0.0824 -0.2000 -0.2627 
-0.2392 -0.3098 -0.3176 … -0.2863 -0.2078 -0.1765 
-0.3176 -0.2392 -0.2784 … -0.2941 -0.1137 -0.0118 
… ⋱ … 
-0.7569 -0.5922 -0.1529 … -0.8510 -0.8196 -0.8353 
-0.8353 -0.7255 -0.3255 … -0.8275 -0.8196 -0.8588 
-0.9373 -0.7647 -0.4510 … -0.8196 -0.8353 -0.8824

( 1,.) = 
-0.0431 -0.1373 -0.0431 … 0.0118 -0.0980 -0.1529 
-0.0980 -0.1686 -0.1765 … -0.1608 -0.0745 -0.0431 
-0.1686 -0.0902 -0.1373 … -0.1451 0.0431 0.1529 
… ⋱ … 
-0.5529 -0.3804 0.0667 … -0.7961 -0.7725 -0.7961 
-0.6314 -0.5137 -0.1137 … -0.7804 -0.7882 -0.8275 
-0.7490 -0.5608 -0.2392 … -0.7725 -0.8039 -0.8588 
… 
[torch.FloatTensor of size 3x224x224],1)

專案的github地址：https://github.com/WebLearning17/CommonTool

以上這篇pytorch 資料處理:定義自己的資料集合例項就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。