PyTorch és un marc d'aprenentatge profund que permet als usuaris crear/construir i entrenar xarxes neuronals. Un conjunt de dades és una estructura de dades que conté un conjunt/col·lecció de mostres de dades i etiquetes. Proporciona una manera d'accedir a les dades en conjunt o mitjançant operacions d'indexació i tall. A més, un conjunt de dades també pot aplicar transformacions a les dades, com ara retallar, canviar la mida, etc. Els usuaris poden iterar i visualitzar fàcilment el conjunt de dades a PyTorch.
Aquest escrit il·lustrarà el mètode per iterar i visualitzar un conjunt de dades específic mitjançant PyTorch.
Com iterar i visualitzar el conjunt de dades amb PyTorch?
Per iterar i visualitzar un conjunt de dades concret mitjançant PyTorch, seguiu els passos proporcionats:
Pas 1: importa la biblioteca necessària
Primer, importeu les biblioteques necessàries. Per exemple, hem importat les biblioteques següents:
torxa d'importació
des de torch.utils.data import Dataset
des de conjunts de dades d'importació de torchvision
de torchvision.transforms importa ToTensor
importar matplotlib.pyplot com plt
Aquí:
-
- “ torxa d'importació ” importa la biblioteca PyTorch.
- “ des de torch.utils.data import Dataset 'importa la classe 'Conjunt de dades' del mòdul 'torch.utils.data' de PyTorch per crear conjunts de dades personalitzats a PyTorch.
- “ des de conjunts de dades d'importació de torchvision ' importa el mòdul 'conjunts de dades' de la biblioteca 'torchvision' que proporciona conjunts de dades predefinits per a tasques de visió per ordinador.
- “ de torchvision.transforms importa ToTensor ” importa la transformació “ToTensor” de “torchvision.transforms” per convertir imatges PIL o matrius NumPy a tensors PyTorch.
- “ importar matplotlib.pyplot com a plt ” importa la biblioteca matplotlib per a la visualització de dades:
Pas 2: Carregueu el conjunt de dades
Ara, carregarem el conjunt de dades FashionMNIST de torchvision tant amb finalitats d'entrenament com de proves amb els paràmetres següents:
tr_data = conjunts de dades.FashionMNIST ( arrel = 'dades' , tren = Cert, descarregar = Cert, transformar =ToTensor ( ))
ts_data = conjunts de dades.FashionMNIST ( arrel = 'dades' , tren = Fals, descarregar = Cert, transformar =ToTensor ( )
)
Aquí:
-
- “ FashionMNIST ” carrega el conjunt de dades FashionMNIST de la biblioteca torchvision.
- “ root='dades' ” especifica el directori on s'emmagatzemarà o carregarà el conjunt de dades si ja existeix. En el nostre cas, és el directori 'dades'.
- “ tren ” indica un conjunt de dades d'entrenament o de prova.
- “ descarregar=Veritat ” descarrega el conjunt de dades si encara no està present.
- “ transformar=ToTensor() ” aplica la transformació ToTensor per convertir les imatges del conjunt de dades en tensors PyTorch:
Pas 3: etiqueteu les classes al conjunt de dades
A continuació, creeu un diccionari que assigni els índexs de classe a les seves etiquetes de classe corresponents al conjunt de dades FashionMNIST. Proporciona etiquetes llegibles pels humans per a cada classe. Aquí, hem creat el ' mapped_label ” i ho utilitzarem per convertir els índexs de classe en les seves corresponents etiquetes de classe:
mapped_label = {0 : 'Samarreta' ,
1 : 'Pantalons' ,
2 : 'Jersei' ,
3 : 'Vestit' ,
4 : 'abric' ,
5 : 'Sandàlia' ,
6 : 'Camiseta' ,
7 : 'Sabatilla esportiva' ,
8 : 'Bossa' ,
9 : 'Bota de turmell' ,
}
Pas 4: visualitzeu el conjunt de dades
Finalment, visualitzeu les mostres a les dades d'entrenament mitjançant la biblioteca 'matplotlib':
fig = plt.figura ( mida de la figa = ( 8 , 8 ) )col , fila = 3 , 3
per i en rang ( 1 , col * fila + 1 ) :
sample_index = torch.randint ( només ( tr_data ) , mida = ( 1 , ) ) .article ( )
img, etiqueta = tr_data [ índex_mostra ]
fig.add_subplot ( fila, col , i )
plt.títol ( mapped_label [ etiqueta ] )
plt.eix ( 'apagat' )
plt.imshow ( img.premer ( ) , cmap = 'gris' )
plt.show ( )
Nota : Podeu accedir al nostre quadern Google Colab aquí enllaç .
Es tractava d'iterar i visualitzar el conjunt de dades desitjat mitjançant PyTorch.
Conclusió
Per iterar i visualitzar un conjunt de dades concret mitjançant PyTorch, primer, importeu les biblioteques necessàries. A continuació, carregueu el conjunt de dades desitjat per a l'entrenament i les proves amb els paràmetres necessaris. A continuació, etiqueteu les classes al conjunt de dades i visualitzeu mostres a les dades d'entrenament mitjançant la biblioteca 'matplotlib'. Aquest escrit ha il·lustrat el mètode per iterar i visualitzar un conjunt de dades específic mitjançant PyTorch.