Pytorch基础操作 —— 6. 如何使用自定义数据集

你的名字 2022-09-15 12:44 308阅读 0赞

### 文章目录 ###

*  自定义数据集
 *  Step 1. 熟悉你的数据集
 *   *  有数据就要有标签
     *  数据大小、维度一定要一样
     *  归一化
 *  Step 2. 确定如何加载你的数据集
 *  使用 DataLoader 批量加载数据
 *   *  需要注意的地方
     *   *  确保参与计算的都是Tensor
         *  确保参与计算前数据已经全部Normalized
         *  DataLoader 有可能加载到不足Batch的数据

# 自定义数据集 #

开源数据集比较适合用来测试算法有效性，但是如果真要商用或者自用，以及某些特别的项目，比方说输电线巡检，金属X光探伤，甚至医疗X光片分析这一类针对特定行业时，就需要使用自己自定义的数据集了。

所以，在这一章节里，要介绍给大家的是如何使用自定数据集的方法。

# Step 1. 熟悉你的数据集 #

你要熟悉自己要使用的数据集，我们的数据集一定是由原始数据和标签这两部分构成的。通过给模型喂数据，模型生成预测，然后预测与标签进行比对计算Loss后，再通过导数更新网络权重这一过程。

即：

D o u t = N e t ( D i n ) \\mathbb\{D\_\{out\}\} = Net(\\mathbb\{D\_\{in\}\}) Dout=Net(Din)

## 有数据就要有标签 ##

标签可以是被检测物体在图片上的几何图形坐标，也可以是某种经过处理后的图片（比如说劣化后的图片作为数据，原始高清图片作为标签），也可以是某种序列和某种序列的对应（比如说，I’m a human 作为数据集输入，标签是 je suis un humain）。

也就是说，训练网络的数据，不是说我随便找一组数据喂给网络，但是不告诉网络我想得到什么信息，让它自己猜。

![在这里插入图片描述][ef2825b6b2bf4d17ac25608d14e4589c.png_pic_center]  
人尚且听到这个答案会气的抽出82年的鞋底想打人，那机器由于没有目标更是不知道应该如何进行收敛。所以一定要确保数据和标签是一一对应的，有数据就一定要有标签！

## 数据大小、维度一定要一样 ##

其次，当下的主流神经网络基本都是流水线作业，这意味着它没法处理大小、纬度不一致的数据，所以喂数据给网络前，你需要把数据的大小、维度等弄成一致的。

以YOLO为例（如果对YOLO感兴趣的童鞋，可以关注我的博客，我会在之后不久告诉你如何从0构建一个属于自己的YOLO网络），它能处理的图像数据是 448 x 448 x 3，如果你喂数据大小超过或不足这个尺寸，会导致网络训练过程中报错。

所以，无论你拉伸、压缩，还是填0，你都应该确保数据喂给网络前都应该符合一样的大小。

## 归一化 ##

归一化是我们在做网络时需要特别注意的地方，在我本人的博客 [Pytorch与深度学习 —— 2.用全连接神经网络识别手写数字数据集MNIST][Pytorch_ _ 2._MNIST] 里我虽然简略的带过了归一化这个步骤，但是归一化用的好的话，能提高你的预测精确度。

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5omT56CB55qE6Zi_6YCa_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center]

以QMNIST为例，通常情况下，原始的数据都是这样，如果是图片的话，通常以 \[0, 255\] 灰度值进行表示。尽管我们也可以直接把这样的数据直接喂给网络，但是图片中的信噪比过低，以及由于 \[0, 255\] 的跳跃过大，会导致一定程度上网络收敛精度下降。

归一化不会导致图片信息的丢失，但是我们可以把数据从比如 \[0, 255\] 压缩到 \[0, 1\] 时，这样经过比如sigmoid时，就有很好的表现了。

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5omT56CB55qE6Zi_6YCa_size_19_color_FFFFFF_t_70_g_se_x_16_pic_center]  
观察一下sigmoid函数，通常对数据在 \[-2, 2\] 有比较好的敏感性，对于大于这个区间的数据则表现不敏感。试想一下，如果你的网络要处理一个输入为  x : = 500 x:=500 x:=500 的数，经过线性层处理后，输出的  y : = 100 y:=100 y:=100。

你希望通过sigmoid函数调整线性输出，结果  σ ( 100 ) ≈ 1 \\sigma(100) \\approx 1 σ(100)≈1 那基本等于什么都没做。

归一化的方法有很多，不一一举例，很多归一化函数的和gamma计算有相近的地方，关于这部分内容，你可以参考我之前写过的 [数字图像学笔记——4. 直方图计算、线性变换、对数变换、Gamma变换][4. _Gamma]。当然，如果你自己不知道用什么函数做归一化，也可以粗暴的使用线性方法，也就是让所有值同时除以元素中最大值，这个计算在小学课本里应该有教过，我就不重复了。

D i ‾ = D i D m a x \\overline\{D\_i\} = \\frac\{D\_i\}\{D\_\{max\}\} Di=DmaxDi

# Step 2. 确定如何加载你的数据集 #

我在上一章里介绍过 [Pytorch基础操作 —— 5. 标准化数据集接口 Dataset 与开源数据集][Pytorch_ _ 5. _ Dataset] 官方所提供的所有开源数据集都是通过一个名叫 Dataset 接入到PyTorch的，你也可以照葫芦画瓢。

这个类可以通过如下方法导入：

from torch.utils.data import Dataset

然后你需要填充的就是下面这两部分

class MyDataset(Dataset):
    
        def __init__(self, ...):
    		# TODO
    
        def __getitem__(self, idx):
            # TODO

\_*init*\_ 方法和 \_*getitem*\_ 都需要自己来定，分别是确定数据如何加载的，以及数据被访问到的时候用什么形式返回给调用者数据和标签。

比方说，你要实现自定义图片集的加载，**通过某种方法处理了图片数据后**，大概就可以这样实现了

class MyDataset(Dataset):
    
        def __init__(self, images, labs):
    		if len(images) != len(labs):
    			print("Data and labels are not the same size")
    			exit(1)
    
    		self.data = []
    		self.labels = []
    
    		for img, l in zip(images, labs):
    			self.data.append(img)
    			self.labels.append(l)
    
        def __getitem__(self, idx):
            return self.data[idx], self.labels[idx]
    
    ...
    
    dataset = MyDataset(images, labels)

当然，实现方法并不一定就是上面这个样子是唯一标准答案，你可以自定义很多东西，这个类只是个接口而已。

# 使用 DataLoader 批量加载数据 #

当你完成了数据的基本封装后，就可以使用 DataLoader 批量的加载自己的数据集了。DataLoader 不需要你重构，这就是为什么我推荐你使用Dataset来封装你的数据。使用 DataLoader + Dataset 就可以给定义每次训练，喂给网络多少数据了。

导入DataLoader 的方法

from torch.utils.data import DataLoader

如何把DataLoader和Dataset关联起来

# 一次处理数据10个
    BATCH_SIZE = 10
    
    # 准备数据集
    dataset = MyDataset(images, labels)
    
    # 把数据集装载到DataLoader里
    train_loader = DataLoader(dataset, shuffle=True, batch_size=BATCH_SIZE)

在需要训练和测试的地方：

for idx, (data, labels) in enumerate(train_loader, 0):
    
    	# 训练网络
    	pred = model(data)
    
    	# 计算损失
    	loss = criterion(pred, labels)
    
    	# 反向传播
    	loss.backward()
    
    	# 更新参数
    	optimizer.step()
    
    	# 清空梯度
    	optimizer.zero_grad()

## 需要注意的地方 ##

### 确保参与计算的都是Tensor ###

在data和label参与网络计算前，都应该确保它们已经转化成了Tensor的格式，否则会报错。

### 确保参与计算前数据已经全部Normalized ###

为了得到更好的结果，所有的数据在参与计算前，应该都 Normalized 到 \[0, 1\] 区间里，Tensor中应该不存在超过1的数。

### DataLoader 有可能加载到不足Batch的数据 ###

因为数据不会恰好按照你预计的批量加载到网络中，比如你一次想加载10条数据，但总数据有1173条，那么一定在最后一次DataLoader加载时，只会加载到3条数据，所以在网络的forward这步计算里，应该动态的计算维度

比如对于输入数据维度为  ( N , C , W , H ) (N,C, W, H) (N,C,W,H) 时：

class MyNetwork(Module):
    
    	...
    
    	def forward(self, x):
    		# 可以在参与计算前先记录一下数据的维度
    		batch = x.size()[0]
    
    		...
    
    		# 最后维度重建时就可以这样
    		output = output.view(batch, -1)
    		return output

但是对于NLP来说，一般会遇到  ( L , N , F ) (L, N, F) (L,N,F) 这种维度和  ( N , L , F ) (N, L, F) (N,L,F) 这两种维度，在处理前最好先确定在哪些步骤里使用第一个维度，哪些步骤里使用第二个维度，并做必要的转化准备。

[ef2825b6b2bf4d17ac25608d14e4589c.png_pic_center]: /images/20220828/f29e50736eb145dfaa7549aa0af16881.png
[Pytorch_ _ 2._MNIST]: https://blog.csdn.net/poisonchry/article/details/119754293
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5omT56CB55qE6Zi_6YCa_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220828/bcb526b6e3c74deda10bf0fe3a50fd47.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5omT56CB55qE6Zi_6YCa_size_19_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220828/711acf2da14946548ac36ace76c450d7.png
[4. _Gamma]: https://seagochen.blog.csdn.net/article/details/110204387
[Pytorch_ _ 5. _ Dataset]: https://seagochen.blog.csdn.net/article/details/120628595