从零搭建Pytorch模型教程(一)数据读取
前言
本文介绍了classdataset的几个要点,由哪些部分组成,每个部分需要完成哪些事情,如何进行数据增强,如何实现自己设计的数据增强。然后,介绍了分布式训练的数据加载方式,数据读取的整个流程,当面对超大数据集时,内存不足的改进思路。
本文延续了以往的写作态度和风格,即便是自己知道的内容,也仍然在写之前看了很多的文章来保证内容的正确性和全面性,因此写得极累,耗费时间较长。若有读者看完后觉得有所帮助,文末可以赞赏一点。
文末扫描二维码关注公众号CV技术指南 ,专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读,招聘信息发布。
(零) 概述
浮躁是人性的一个典型的弱点,很多人总擅长看别人分享的现成代码解读的文章,看起来学会了好多东西,实际上仍然不具备自己从零搭建一个pipeline的能力。
在公众号(CV技术指南)的交流群里(群内交流氛围不错,有需要的请关注公众号加群),常有不少人问到一些问题,根据这些问题明显能看出是对pipeline不了解,却已经在搞项目或论文了,很难想象如果基本的pipeline都不懂,如何分析代码问题所在?如何分析结果不正常的可能原因?遇到问题如何改?
Pytorch在这几年逐渐成为了学术上的主流框架,其具有简单易懂的特点。网上有很多pytorch的教程,如果是一个已经懂的人去看这些教程,确实pipeline的要素都写到了,感觉这教程挺不错的。但实际上更多地像是写给自己看的一个笔记,记录了pipeline要写哪些东西,却没有介绍要怎么写,为什么这么写,刚入门的小白看的时候容易云里雾里。
鉴于此,本教程尝试对于pytorch搭建一个完整pipeline写一个比较明确且易懂的说明。
本教程将介绍以下内容:
准备数据,自定义classdataset,分布式训练的数据加载方式,加载超大数据集的改进思路。
搭建模型与模型初始化。
编写训练过程,包括加载预训练模型、设置优化器、设置损失函数等。
可视化并保存训练过程。
编写推理函数。
(一)数据读取
classdataset的定义
先来看一个完整的classdataset
import torch.utils.data as data
import torchvision.transforms as transformsclass MyDataset(data.Dataset):def __init__(self,data_folder):self.data_folder = data_folderself.filenames = []self.labels = []per_classes = os.listdir(data_folder)for per_class in per_classes:per_class_paths = os.path.join(data_folder, per_class)label = torch.tensor(int(per_class))per_datas = os.listdir(per_class_paths)for per_data in per_datas:self.filenames.append(os.path.join(per_class_paths, per_data))self.labels.append(label)def __getitem__(self, index):image = Image.open(self.filenames[index])label = self.labels[index]data = self.proprecess(image)return data, labeldef __len__(self):return len(self.filenames)def proprecess(self,data):transform_train_list = [transforms.Resize((self.opt.h, self.opt.w), interpolation=3),transforms.Pad(self.opt.pad, padding_mode='edge'),transforms.RandomCrop((self.opt.h, self.opt.w)),transforms.RandomHorizontalFlip(),transforms.ToTensor(),transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])]return transforms.Compose(transform_train_list)
classdataset的几个要点:
classdataset类继承torch.utils.data.dataset。
classdataset的作用是将任意格式的数据,通过读取、预处理或数据增强后以tensor的形式输出。其中任意格式的数据可能是以文件夹名作为类别的形式、或以txt文件存储图片地址的形式、或视频、或十几帧图像作为一份样本的形式。而输出则指的是经过处理后的一个batch的tensor格式数据和对应标签。
classdataset主要有三个函数要完成:__init__函数、__getitem__ 函数和__len__函数。
__init__函数
init函数主要是完成两个静态变量的赋值。一个是用于存储所有数据路径的变量,变量的每个元素即为一份训练样本,(注:如果一份样本是十几帧图像,则变量每个元素存储的是这十几帧图像的路径),可以命名为self.filenames。一个是用于存储与数据路径变量一一对应的标签变量,可以命名为self.labels。
假如数据集的格式如下:
#这里的0,1指的是类别0,1
/data_path/0/image0.jpg
/data_path/0/image1.jpg
/data_path/0/image2.jpg
/data_path/0/image3.jpg
......
/data_path/1/image0.jpg
/data_path/1/image1.jpg
/data_path/1/image2.jpg
/data_path/1/image3.jpg
可通过per_classes = os.listdir(data_path) 获得所有类别的文件夹,在此处per_classes的每个元素即为对应的数据标签,通过for遍历per_classes即可获得每个类的标签,将其转换成int的tensor形式即可。在for下获得每个类下每张图片的路径,通过self.join获得每份样本的路径,通过append添加到self.filenames中。
__getitem__ 函数
getitem 函数主要是根据索引返回对应的数据。这个索引是在训练前通过dataloader切片获得的,这里先不管。它的参数默认是index,即每次传回在init函数中获得的所有样本中索引对应的数据和标签。因此,可通过下面两行代码找到对应的数据和标签。
image = Image.open(self.filenames[index]))
label = self.labels[index]
获得数据后,进行数据预处理。数据预处理主要通过 torchvision.transforms 来完成,这里面已经包含了常用的预处理、数据增强方式。其完整使用方式在官网有详细介绍:https://pytorch.org/vision/stable/transforms.html
上面这里介绍了最常用的几种,主要就是resize,随机裁剪,翻转,归一化等。
最后通过transforms.Compose(transform_train_list)来执行。
除了这些已经有的数据增强方式外,在《数据增强方法总结》中还介绍了十几种特殊的数据增强方式,像这种自己设计了一种新的数据增强方式,该如何添加进去呢?
下面以随机擦除作为例子。
class RandomErasing(object):""" Randomly selects a rectangle region in an image and erases its pixels.'Random Erasing Data Augmentation' by Zhong et al.See https://arxiv.org/pdf/1708.04896.pdfArgs:probability: The probability that the Random Erasing operation will be performed.sl: Minimum proportion of erased area against input image.sh: Maximum proportion of erased area against input image.r1: Minimum aspect ratio of erased area.mean: Erasing value."""def __init__(self, probability=0.5, sl=0.02, sh=0.4, r1=0.3, mean=[0.4914, 0.4822, 0.4465]):self.probability = probabilityself.mean = meanself.sl = slself.sh = shself.r1 = r1def __call__(self, img):if random.uniform(0, 1) > self.probability:return imgfor attempt in range(100):area = img.size()[1] * img.size()[2]target_area = random.uniform(self.sl, self.sh) * areaaspect_ratio = random.uniform(self.r1, 1 / self.r1)h = int(round(math.sqrt(target_area * aspect_ratio)))w = int(round(math.sqrt(target_area / aspect_ratio)))if w < img.size()[2] and h < img.size()[1]:x1 = random.randint(0, img.size()[1] - h)y1 = random.randint(0, img.size()[2] - w)if img.size()[0] == 3:img[0, x1:x1 + h, y1:y1 + w] = self.mean[0]img[1, x1:x1 + h, y1:y1 + w] = self.mean[1]img[2, x1:x1 + h, y1:y1 + w] = self.mean[2]else:img[0, x1:x1 + h, y1:y1 + w] = self.mean[0]return imgreturn img
如上所示,自己写一个类RandomErasing,继承object,在call函数里完成你的操作。在transform_train_list里添加上RandomErasing的定义即可。
transform_train_list = [transforms.Resize((self.opt.h, self.opt.w), interpolation=3),transforms.Pad(self.opt.pad, padding_mode='edge'),transforms.RandomCrop((self.opt.h, self.opt.w)),transforms.RandomHorizontalFlip(),transforms.ToTensor(),transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])RandomErasing(probability=self.opt.erasing_p, mean=[0.0, 0.0, 0.0])#添加到这里]
__len__函数
len函数主要就是返回数据长度,即样本的总数量。前面介绍了self.filenames的每个元素即为每份样本的路径,因此,self.filename的长度就是样本的数量。通过return len(self.filenames)即可返回数据长度。
验证classdataset
train_dataset = My_Dataset(data_folder=data_folder)
train_loader = DataLoader(train_dataset, batch_size=16, shuffle=False)
print('there are total %s batches for train' % (len(train_loader)))for i,(data,label) in enumerate(train_loader):print(data.size(),label.size())
分布式训练的数据加载方式
前面介绍的是单卡的数据加载,实际上分布式也是这样,但为了高速高效读取,每张卡上也会保存所有数据的信息,即self.filenames和self.labels的信息。只是在DistributedSampler 中会给每张卡分配互不交叉的索引,然后由torch.utils.data.DataLoader来加载。
dataset = My_Dataset(data_folder=data_folder)
sampler = DistributedSampler(dataset) if is_distributed else None
loader = DataLoader(dataset, shuffle=(sampler is None), sampler=sampler)
数据读取的完整流程
结合上面这段代码,在这里,我们介绍以下读取数据的整个流程。
首先定义一个classdataset,在初始化函数里获得所有数据的信息。
classdataset中实现getitem函数,通过索引来获取对应的数据,然后对数据进行预处理和数据增强。
在模型训练前,初始化classdataset,通过Dataloader来加载数据,其加载方式是通过Dataloader中分配的索引,调用getitem函数来获取。
关于索引的分配,在单卡上,可通过设置shuffle=True来随机生成索引顺序;在多机多卡的分布式训练上,shuffle操作通过DistributedSampler来完成,因此shuffle与sampler只能有一个,另一个必须为None。
超大数据集的加载思路
问题所在
再回顾一下上面这个流程,前面提到所有数据信息在classdataset初始化部分都会保存在变量中,因此当面对超大数据集时,会出现内存不足的情况。
思路
将切片获取索引的步骤放到classdataset初始化的位置,此时每张卡都是保存不同的数据子集。通过这种方式,可以将内存用量减少到原来的world_size倍(world_size指卡的数量)。
参考代码
class RankDataset(Dataset):'''实际流程获取rank和world_size 信息 -> 获取dataset长度 -> 根据dataset长度产生随机indices ->给不同的rank 分配indices -> 根据这些indices产生metas'''def __init__(self, meta_file, world_size, rank, seed):super(RankDataset, self).__init__()random.seed(seed)np.random.seed(seed)self.world_size = world_sizeself.rank = rankself.metas = self.parse(meta_file)def parse(self, meta_file):dataset_size = self.get_dataset_size(meta_file) # 获取metafile的行数local_rank_index = self.get_local_index(dataset_size, self.rank, self.world_size) # 根据world size和rank,获取当前epoch,当前rank需要训练的index。self.metas = self.read_file(meta_file, local_rank_index)def __getitem__(self, idx):return self.metas[idx]def __len__(self):return len(self.metas)##train
for epoch_num in range(epoch_num):dataset = RankDataset("/path/to/meta", world_size, rank, seed=epoch_num)sampler = RandomSampler(datset)dataloader = DataLoader(dataset=dataset,batch_size=32,shuffle=False,num_workers=4,sampler=sampler)
但这种思路比较明显的问题时,为了让每张卡上在每个epoch都加载不同的训练子集,因此需要在每个epoch重新build dataloader。
这一节参考链接:https://zhuanlan.zhihu.com/p/357809861
总结
本篇文章介绍了数据读取的完整流程,如何自定义classdataset,如何进行数据增强,自己设计的数据增强如何写,分布式训练是如何加载数据的,超大数据集的数据加载改进思路。
相信读完本文的读者对数据读取有了比较清晰的认识,下一篇将介绍搭建模型与模型初始化。
关注公众号可加计算机视觉交流群
欢迎关注公众号 CV技术指南 ,专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读。
在公众号中回复关键字 “入门指南“可获取计算机视觉入门所有必备资料。
其它文章
自编码器综述论文:概念、图解和应用
解决图像分割落地场景真实问题,港中文等提出:开放世界实体分割
资源分享 |Nebullvm:一行代码测试多个DL编译器,模型推理提高5-20倍
目标检测、实例分割、多目标跟踪的Anchor-free应用方法总结
Soft Sampling:探索更有效的采样策略
如何解决工业缺陷检测小样本问题
机器学习、深度学习面试知识点汇总
深度学习图像识别的未来:机遇与挑战并存
招聘 | 22-65k!迁移科技:招聘深度学习、传统视觉、3D视觉算法工程师、项目经理、机械设计
关于快速学习一项新技术或新领域的一些个人思维习惯与思想总结
计算机视觉中的图像标注工具总结
计算机视觉中的神经网络可视化工具与项目
计算机视觉中的高效阅读论文的方法总结
计算机视觉中的transformer模型创新思路总结
一文概括机器视觉常用算法以及常用开发库
HOG和SIFT图像特征提取简述 | 特征金字塔技术总结
目标检测中回归损失函数总结 | 实例分割综述总结综合整理版
2021年小目标检测最新研究综述 | 小目标检测常用方法总结
从零搭建Pytorch模型教程(一)数据读取相关推荐
- 网站搭建:从零搭建个人网站教程(4)
系列文章 网站搭建:从零搭建个人网站教程(1) 网站搭建:从零搭建个人网站教程(2) 网站搭建:从零搭建个人网站教程(3) 网站搭建:从零搭建个人网站教程(4) 网站搭建:从零搭建个人网站教程(5) ...
- 网站搭建:从零搭建个人网站教程(2)
系列文章 网站搭建:从零搭建个人网站教程(1) 网站搭建:从零搭建个人网站教程(2) 网站搭建:从零搭建个人网站教程(3) 网站搭建:从零搭建个人网站教程(4) 网站搭建:从零搭建个人网站教程(5) ...
- sklearn与pytorch模型的保存与读取
当我们花了很长时间训练了一个模型,需要用该模型做其他事情(比如迁移学习),或者我们想把自己的机器学习模型分享出去的时候,我们这时候需要将我们的ML模型持久化到硬盘中去. 1.sklearn中模型的保存 ...
- Pytorch Note52 灵活的数据读取介绍
Pytorch Note52 灵活的数据读取介绍 文章目录 Pytorch Note52 灵活的数据读取介绍 灵活的数据读取 读入数据 传入数据预处理方式 Dataset DataLoader 例子 ...
- PyTorch实现自由的数据读取
北京 上海巡回站 | NVIDIA DLI深度学习培训 2018年1月26/1月12日 NVIDIA 深度学习学院 带你快速进入火热的DL领域 阅读全文 ...
- Datawhale 零基础入门CV赛事-Task2 数据读取与数据扩增
文章目录 数据读取 图像读取 1.pillow 2.opencv 数据读取 数据扩增 数据读取 导入需要的包以及文件路径 import json, glob import numpy as np fr ...
- Transforemr模型从零搭建Pytorch逐行实现
文章目录 摘要 一. 细致理解Transforemr模型Encoder原理讲解与其Pytorch逐行实现 1.1 关于word embedding 1.2 生成源句子与目标句子 1.3 构建posti ...
- Datawhale零基础入门NLP赛事 - Task2 数据读取与数据分析
用pandas处理一下数据,训练集的shape为(200000, 2),建议刚开始可以读取几百条看看效果,全部读取的话内存大概要12G左右才能进行正常处理. import pandas as pd t ...
- 数据读取与数据扩增方法
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货 作者:樊亮.黄星源.Datawhale优秀学习者 本文对图像数据读取及图 ...
- 【深度学习】数据读取与数据扩增方法
转载自:Datawhale,作者:樊亮.黄星源.Datawhale优秀学习者 本文对图像数据读取及图像数据扩增方法进行了总结,并以阿里天池零基础入门CV赛事为实践,利用Pytorch对数据进行了读取和 ...
最新文章
- python爬虫入门urllib库的使用
- 如何做好SOC的一点点体会
- python那么慢为什么还有人用-为什么Python如此慢
- js 得到select所有option里的值
- 动态规划 HDU1231-------最大连续子序列
- 口译务实——unit10 II
- PHP执行linux系统命令
- EL表达式中fn函数
- java在线订单系统源码_春哥酒店在线预订微信小程序源码系统正式发布!
- 利用MentoHUST在路由器上使用锐捷认证来共享校园网
- 什么是RS-232-C接口与什么是RS-485接口?
- u盘为什么要安全弹出?丢失的数据怎么恢复?
- 计算机软件实习每日学习打卡(6)20201227
- GEE:GEE平台怎么提高用户内存限制
- pscs6怎么做html模板,怎么在Adobe Photoshop CS6里制作表格模板(PS)怎么画表格
- 工作笔记:如何用Django连接Kerberized甲骨文(Oracle)数据库
- 【安全预警】WINRAR,7ZIP,WINZIP等存在严重漏洞
- Serpent.AI - 游戏代理框架(Python)
- 丢手绢 【约瑟夫环】
- 技术分享 | Slow Query Log 使用详解