PyTorch е рамка за дълбоко обучение, която позволява на потребителите да създават/изграждат и обучават невронни мрежи. Наборът от данни е структура от данни, която съдържа набор/колекция от проби от данни и етикети. Той предоставя начин за достъп до данните като цяло или чрез операции за индексиране и нарязване. Освен това наборът от данни може също да прилага трансформации към данните, като изрязване, преоразмеряване и т.н. Потребителите могат лесно да итерират и визуализират набора от данни в PyTorch.
Това описание ще илюстрира метода за повторение и визуализиране на конкретен набор от данни с помощта на PyTorch.
Как да итерирате и визуализирате набора от данни с помощта на PyTorch?
За да итерирате и визуализирате определен набор от данни с помощта на PyTorch, следвайте предоставените стъпки:
Стъпка 1: Импортирайте необходимата библиотека
Първо импортирайте необходимите библиотеки. Например импортирахме следните библиотеки:
факел за внос
от torch.utils.data import Dataset
от набори от данни за импортиране на torchvision
от torchvision.transforms import ToTensor
импортирайте matplotlib.pyplot като плт
Тук:
-
- “ факел за внос ” импортира библиотеката на PyTorch.
- “ от torch.utils.data import Dataset ” импортира класа „Набор от данни” от модула „torch.utils.data” на PyTorch за създаване на персонализирани набори от данни в PyTorch.
- “ от набори от данни за импортиране на torchvision ” импортира модула „набори от данни” от библиотеката „torchvision”, която предоставя предварително дефинирани набори от данни за задачи за компютърно зрение.
- “ от torchvision.transforms import ToTensor ” импортира трансформацията „ToTensor” от „torchvision.transforms” за конвертиране на PIL изображения или масиви NumPy в тензори на PyTorch.
- “ импортирайте matplotlib.pyplot като plt ” импортира библиотеката matplotlib за визуализация на данни:
Стъпка 2: Заредете набор от данни
Сега ще заредим набора от данни FashionMNIST от torchvision за целите на обучението и тестването със следните параметри:
tr_data = набори от данни.FashionMNIST ( корен = 'данни' , влак =Вярно, Изтегли =Вярно, трансформирам =ToTensor ( ))
ts_data = набори от данни.FashionMNIST ( корен = 'данни' , влак =Невярно, Изтегли =Вярно, трансформирам =ToTensor ( )
)
Тук:
-
- “ FashionMNIST ” зарежда набора от данни FashionMNIST от библиотеката torchvision.
- “ корен=”данни” ” указва директорията, където ще се съхранява или зарежда наборът от данни, ако вече съществува. В нашия случай това е директорията „данни“.
- “ влак ” показва набор от данни за обучение или тест.
- “ изтегляне=Вярно ” изтегля набора от данни, ако вече не е наличен.
- “ transform=ToTensor() ” прилага трансформацията ToTensor, за да преобразува изображенията в набора от данни в тензори на PyTorch:
Стъпка 3: Етикетиране на класове в набор от данни
След това създайте речник, който картографира индексите на класове към съответните им етикети на класове в набора от данни FashionMNIST. Той предоставя четими от човека етикети за всеки клас. Тук създадохме „ картографиран_етикет ” речник и ще използваме това, за да преобразуваме индексите на класове в съответните им етикети на класове:
mapped_label = {0 : 'тениска' ,
1 : 'панталон' ,
2 : 'Отбий' ,
3 : 'Рокля' ,
4 : 'Палто' ,
5 : 'сандал' ,
6 : 'риза' ,
7 : 'маратонка' ,
8 : 'чанта' ,
9 : 'ботуши до глезена' ,
}
Стъпка 4: Визуализирайте набор от данни
И накрая, визуализирайте пробите в данните за обучение, като използвате библиотеката „matplotlib“:
fig = plt.figure ( figsize = ( 8 , 8 ) )полк , ред = 3 , 3
за i в диапазон ( 1 , полк * ред + 1 ) :
sample_index = torch.randint ( само ( tr_date ) , размер = ( 1 , ) ) .вещ ( )
img, етикет = tr_data [ образец_индекс ]
fig.add_subplot ( ред, полк , т.е )
plt.title ( картографиран_етикет [ етикет ] )
плт.ос ( 'изключено' )
plt.imshow ( img.squeeze ( ) , cmap = 'сив' )
plt.show ( )
Забележка : Можете да получите достъп до нашия бележник Google Colab тук връзка .
Това беше всичко за повторение и визуализиране на желания набор от данни с помощта на PyTorch.
Заключение
За да итерирате и визуализирате определен набор от данни с помощта на PyTorch, първо импортирайте необходимите библиотеки. След това заредете желания набор от данни за обучение и тестване с необходимите параметри. След това маркирайте класове в набора от данни и визуализирайте проби в данните за обучение, като използвате библиотеката „matplotlib“. Това описание илюстрира метода за повторение и визуализиране на конкретен набор от данни с помощта на PyTorch.