使用PyTorch进行数据处理

在深度学习中，数据的处理对于神经网络的训练来说十分重要，良好的数据（包括图像、文本、语音等）处理不仅可以加速模型的训练，同时也直接关系到模型的效果。本文以处理图像数据为例，记录一些使用PyTorch进行图像预处理和数据加载的方法。

一、数据的加载

在PyTorch中，数据加载需要自定义数据集类，并用此类来实例化数据对象，实现自定义的数据集需要继承torch.utils.data包中的Dataset类。
在继承Dataset实现自己的类时，需要实现以下两个Python魔法方法：

__getitem__(index): 返回一个样本数据，当使用obj[index]时实际就是在调用obj.__getitem__(index)
__len__()：返回样本的数量，当使用len(obj)时实际就是在调用obj.__len__()

例如，以猫狗大战的二分类数据集为例，其加载过程如下：

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

class dogCat(data.Dataset):
    def __init__(self,root): # root为数据存放目录
        imgs = os.listdir(root) #列出当前路径下所有的文件
        self.imgs = [os.path.join(root,img) for img in imgs] # 所有图片的路径
        #print(self.imgs)

    """返回一个样本数据"""
    def __getitem__(self, item): 
        img_path = self.imgs[item] # 第item张图片的路径
        #dog 1 cat 0
        label = 1 if 'dog' in img_path.split('\\')[-1] else 0 # 获取标签信息
        #print(label)
        pil_img = Image.open(img_path) #读入图片
        print(type(pil_img))
        array = np.asarray(pil_img) # 转为numpy.array类型
        data = t.from_numpy(array) # 转为tensor类型
        return data,label #返回图片对应的tensor及其标签

    """样本的数量"""
    def __len__(self):
        return len(self.imgs)

if __name__ == '__main__':
    dogcat = dogCat('D:\pycode\dogsVScats\data\catvsdog\\train') #数据集对象
    data,label = dogcat[0] # 返回第0张图片的信息
    print(data.size())
    print(label)
    print(len(dogcat))

二、计算机视觉工具包：torchvision

对于图像数据来说，以上的数据加载时不完善的，因为只是将图片读入，而没有进行相关的处理，如每张图片的大小和形状，样本的数值归一化等等。
为了解决这一问题，PyTorch开发了一个视觉工具包torchvision，这个包独立于torch，需要通过pip install torchvision来单独安装。
torchvision有三个部分组成：

models：提供各种经典的网络结构和预训练好的模型，如AlexNet、VGG、ResNet、Inception等。

from torchvision import models
from torch import nn
resnet34 = models.resnet34(pretrained=True,num_classes=1000) # 加载预训练模型
resnet34.fc=nn.Linear(512,10) # 修改全连接层为10分类

datasets：提供了常用的数据集，如MNIST、CIFAR10/100、ImageNet、COCO等。

from torchvision import datasets
dataset = datasets.MNIST('data/',download=True,train=False,transform=transform)

除了常用数据集外，需要特别注意的是ImageFolder，ImageFolder假设所有的文件按文件夹存放，每个文件夹下面存储同一类的图片，文件夹的名字为这一类别的名字。这是我们经常用到的一种数据组织形式。

# 使用方法：
ImageFolder(root,transform=None,target_transform=None,loader=default_loader）
# 参数：文件夹路径，对图像做什么样的转换，对标签做什么样的转换，如何加载图片

from torchvision.datasets import ImageFolder
dataset = ImageFolder('data\\')
print(dataset.class_to_idx) # class_to_idx ,label和id的对应关系，从0开始
print(dataset.imgs) # 数据和标签对应

transforms: 提供常用的数据预处理操作，主要是对Tensor和PIL Image对象的处理操作。

对PIL Image的操作：Resize、CenterCrop、RandomCrop、RandomsizedCrop、Pad、ToTensor等。

对Tensor的操作：Normalize、ToPILImage等。

如果要进行多个操作，可以通过transforms.Compose([])将操作拼接起来。但是需要注意的是需要首先构建转换操作，然后再执行转换操作。

import os
from torch.utils import data
from PIL import Image
import numpy as np
from torchvision import transforms as T

transform = T.Compose([T.Resize(224),T.CenterCrop(224),T.ToTensor(),T.Normalize(mean=[.5,.5,.5],std=[.5,.5,.5])])  # 构建转换操作

class dogCat(data.Dataset):
    def __init__(self,root,transforms):
        imgs = os.listdir(root)
        #print(imgs)
        self.imgs = [os.path.join(root,img) for img in imgs]
        #print(self.imgs)
        self.transforms = transforms

    def __getitem__(self, item):
        img_path = self.imgs[item]
        #dog 1 cat 0
        label = 1 if 'dog' in img_path.split('\\')[-1] else 0
        #print(label)
        pil_img = Image.open(img_path)
        if self.transforms:
            pil_img = self.transforms(pil_img)  #执行准换操作
        return pil_img,label,item

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

三、使用DataLoader进行数据再处理

通过上述描述，我们通过自定义数据集类，使用视觉工具包进行图像的转换等操作，最终得到的是一个dataset的数据集对象，使用此对象可以一次返回一个样本。
但是，我们应该清楚：训练神经网络时，一般采用的是小批量的梯度下降，因此我们是对一批数据进行处理，也就是一个batch，同时，数据还需要进行打乱（shuffle）和并行加速等。PyTorch提供了DataLoader来实现这些功能。
DataLoader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)

参数含义如下：

dataset：加载的数据集
batch_zize: 批大小
shuffle：是否将数据打乱
sampler：样本抽样，常用的有随机采样RandomSampler，shuffle=True时自动调用随机采样，默认是顺序采样，还有一个常用的是：WeightedRandomSampler，按照样本的权重进行采样。
num_workers: 使用的进程数，0代表不使用多进程。
collate_fn: 拼接方式。
pin_memory: 是否将数据保存在pin memory区。
drop_last: 是否将多出来的不足一个batch的丢弃。

调用DataLoader得到的结果是一个可迭代的对象，可以和使用迭代器一样使用它。

from torchvision import transforms as T
from torch.utils.data import DataLoader

transform = T.Compose([T.Resize(224),T.CenterCrop(224),T.ToTensor(),T.Normalize(mean=[.5,.5,.5],std=[.5,.5,.5])])

if __name__ == '__main__':
    dogcat = dogCat('D:\pycode\dogsVScats\data\catvsdog\\train', transform)
    data, label, index = dogcat[0]
    
    dataloader = DataLoader(dogcat,batch_size=3,shuffle=False,num_workers=0,drop_last=False)
    for batchDatas,batchLabels in dataloader: 
        train()

总结

本文记录了使用PyTorch进行数据预处理的相关操作流程，重点是掌握Dataset和DataLoader两个类的使用，另外，视觉工具包torchvision的三个模块灵活运用，会对数据处理过程有很好的帮助。