PyTorch to platforma do głębokiego uczenia się, która umożliwia użytkownikom tworzenie/budowanie i trenowanie sieci neuronowych. Zbiór danych to struktura danych zawierająca zestaw/kolekcję próbek danych i etykiet. Zapewnia sposób dostępu do danych jako całości lub za pomocą operacji indeksowania i wycinania. Co więcej, zestaw danych może również stosować transformacje danych, takie jak kadrowanie, zmiana rozmiaru itp. Użytkownicy mogą łatwo iterować i wizualizować zbiór danych w PyTorch.
Ten artykuł ilustruje metodę iteracji i wizualizacji określonego zbioru danych za pomocą PyTorch.
Jak iterować i wizualizować zbiór danych za pomocą PyTorch?
Aby iterować i wizualizować konkretny zbiór danych za pomocą PyTorch, wykonaj podane kroki:
Krok 1: Zaimportuj niezbędną bibliotekę
Najpierw zaimportuj wymagane biblioteki. Na przykład zaimportowaliśmy następujące biblioteki:
importuj pochodnię
z torch.utils.data importuje zbiór danych
z zestawów danych importu Torchvision
z torchvision.transforms importuje ToTensor
zaimportuj plik matplotlib.pyplot Jak plt
Tutaj:
-
- „ importuj pochodnię ” importuje bibliotekę PyTorch.
- „ z torch.utils.data importuje zbiór danych ” importuje klasę „Dataset” z modułu „torch.utils.data” PyTorch w celu tworzenia niestandardowych zestawów danych w PyTorch.
- „ z zestawów danych importu Torchvision ” importuje moduł „zestawy danych” z biblioteki „torchvision”, która udostępnia predefiniowane zbiory danych do zadań widzenia komputerowego.
- „ z torchvision.transforms importuje ToTensor ” importuje transformację „ToTensor” z „torchvision.transforms” w celu konwersji obrazów PIL lub tablic NumPy na tensory PyTorch.
- „ zaimportuj matplotlib.pyplot jako plt ” importuje bibliotekę matplotlib do wizualizacji danych:
Krok 2: Załaduj zbiór danych
Teraz załadujemy zestaw danych FashionMNIST z torchvision zarówno do celów szkoleniowych, jak i testowych, z następującymi parametrami:
tr_data = zestawy danych.FashionMNIST ( źródło = 'dane' , pociąg =Prawda, pobierać =Prawda, przekształcać =Do Tensora ( ))
ts_data = zbiory danych.FashionMNIST ( źródło = 'dane' , pociąg = Fałsz, pobierać =Prawda, przekształcać =Do Tensora ( )
)
Tutaj:
-
- „ ModaMNIST ” ładuje zbiór danych FashionMNIST z biblioteki torchvision.
- „ root=”dane” ” określa katalog, w którym zbiór danych będzie przechowywany lub ładowany, jeśli już istnieje. W naszym przypadku jest to katalog „data”.
- „ pociąg ” oznacza zbiór danych szkoleniowych lub testowych.
- „ pobierz=Prawda ” pobiera zestaw danych, jeśli jeszcze nie istnieje.
- „ transformacja=ToTensor() ” stosuje transformację ToTensor, aby przekonwertować obrazy w zestawie danych na tensory PyTorch:
Krok 3: Oznacz klasy w zbiorze danych
Następnie utwórz słownik, który odwzorowuje indeksy klas na odpowiadające im etykiety klas w zestawie danych FashionMNIST. Zapewnia czytelne dla człowieka etykiety dla każdej klasy. Tutaj stworzyliśmy „ mapowana_etykieta ” i użyjemy go do konwersji indeksów klas na odpowiadające im etykiety klas:
mapowana_etykieta = {0 : 'Podkoszulek' ,
1 : „Spodnie” ,
2 : 'Zjechać na pobocze' ,
3 : 'Sukienka' ,
4 : 'Płaszcz' ,
5 : 'Sandał' ,
6 : 'Koszula' ,
7 : „Trampki” ,
8 : 'Torba' ,
9 : „Buty do kostki” ,
}
Krok 4: Wizualizuj zbiór danych
Na koniec zwizualizuj próbki w danych szkoleniowych, korzystając z biblioteki „matplotlib”:
fig = plt.figura ( rozmiar fig = ( 8 , 8 ) )przełęcz , rząd = 3 , 3
Do I W zakres ( 1 , przełęcz * rząd + 1 ) :
sample_index = latarka.randint ( tylko ( tr_data ) , rozmiar = ( 1 , ) ) .przedmiot ( )
img, etykieta = tr_data [ przykład_indeks ]
fig.add_subplot ( wiersz, przełęcz , I )
plt.tytuł ( mapowana_etykieta [ etykieta ] )
oś plt ( 'wyłączony' )
plt.imshow ( img.ściśnij ( ) , cmap = 'szary' )
plt.pokaż ( )
Notatka : tutaj możesz uzyskać dostęp do naszego Notatnika Google Colab połączyć .
Chodziło o iterację i wizualizację pożądanego zbioru danych za pomocą PyTorch.
Wniosek
Aby wykonać iterację i wizualizować konkretny zbiór danych za pomocą PyTorch, najpierw zaimportuj niezbędne biblioteki. Następnie załaduj żądany zestaw danych do szkolenia i testowania z wymaganymi parametrami. Następnie oznacz klasy w zbiorze danych i zwizualizuj próbki w danych szkoleniowych, korzystając z biblioteki „matplotlib”. W tym artykule zilustrowano metodę iteracji i wizualizacji określonego zbioru danych za pomocą PyTorch.