PyTorch on syvälle oppiva kehys, jonka avulla käyttäjät voivat luoda/rakennuttaa ja kouluttaa hermoverkkoja. Tietojoukko on tietorakenne, joka sisältää joukon/kokoelman tietonäytteitä ja tunnisteita. Se tarjoaa tavan päästä käsiksi tietoihin kokonaisuudessaan tai indeksointi- ja viipalointitoimintojen avulla. Lisäksi tietojoukko voi tehdä dataan muunnoksia, kuten rajaamisen, koon muuttamisen jne. Käyttäjät voivat helposti iteroida ja visualisoida tietojoukkoa PyTorchissa.
Tämä kirjoitus havainnollistaa menetelmää tietyn tietojoukon iteroimiseksi ja visualisoimiseksi PyTorchin avulla.
Kuinka iteroida ja visualisoida tietojoukko PyTorchin avulla?
Toistaaksesi ja visualisoidaksesi tietyn tietojoukon PyTorchin avulla, noudata annettuja ohjeita:
Vaihe 1: Tuo tarvittava kirjasto
Tuo ensin tarvittavat kirjastot. Olemme esimerkiksi tuoneet seuraavat kirjastot:
tuonti taskulamppu
torch.utils.data tuontitietojoukosta
torchvision-tuontitietojoukoista
alkaen torchvision.transforms tuonti ToTensor
tuo matplotlib.pyplot kuten plt
Tässä:
-
- ' tuonti taskulamppu ” tuo PyTorch-kirjaston.
- ' torch.utils.data tuontitietojoukosta ' tuo 'Dataset'-luokan PyTorchin 'torch.utils.data' -moduulista mukautettujen tietojoukkojen luomiseksi PyTorchissa.
- ' torchvision-tuontitietojoukoista ' tuo 'datasets'-moduulin 'torchvision'-kirjastosta, joka tarjoaa ennalta määritettyjä tietojoukkoja tietokonenäkötehtäviä varten.
- ' alkaen torchvision.transforms tuonti ToTensor ' tuo 'ToTensor'-muunnoksen 'torchvision.transforms' -muodosta PIL-kuvien tai NumPy-taulukoiden muuntamiseksi PyTorch-tensoreiksi.
- ' tuo matplotlib.pyplot muodossa plt ' tuo matplotlib-kirjaston tietojen visualisointia varten:
Vaihe 2: Lataa tietojoukko
Nyt lataamme FashionMNIST-tietojoukon torchvisionista sekä koulutus- että testaustarkoituksiin seuraavilla parametreilla:
tr_data = datasets.FashionMNIST ( juuri = 'data' , kouluttaa = Totta, ladata = Totta, muuttaa =ToTensor ( ))
ts_data = datasets.FashionMNIST ( juuri = 'data' , kouluttaa = Väärin, ladata = Totta, muuttaa =ToTensor ( )
)
Tässä:
-
- ' FashionMNIST ” lataa FashionMNIST-tietojoukon torchvision-kirjastosta.
- ' root=”data” ” määrittää hakemiston, johon tietojoukko tallennetaan tai ladataan, jos se on jo olemassa. Meidän tapauksessamme se on 'data'-hakemisto.
- ' kouluttaa ” osoittaa harjoitus- tai testitietojoukon.
- ' download = Totta ” lataa tietojoukon, jos sitä ei vielä ole.
- ' transform=ToTensor() ” käyttää ToTensor-muunnosta tietojoukon kuvien muuntamiseksi PyTorch-tensoreiksi:
Vaihe 3: Merkitse luokat tietojoukossa
Luo seuraavaksi sanakirja, joka yhdistää luokkaindeksit vastaaviin luokkatunnisteisiin FashionMNIST-tietojoukossa. Se tarjoaa ihmisen luettavissa olevat tarrat jokaiselle luokalle. Täällä loimme ' mappped_label ”-sanakirjasta ja käytämme tätä luokkaindeksien muuntamiseen niitä vastaaviksi luokkatunnisteiksi:
mapped_label = {0 : 'T-paita' ,
1 : 'housut' ,
2 : 'Aja sivuun' ,
3 : 'Pukeutua' ,
4 : 'Takki' ,
5 : 'Sandaali' ,
6 : 'Paita' ,
7 : 'Lenkkari' ,
8 : 'Laukku' ,
9 : 'nilkkasaappaat' ,
}
Vaihe 4: Visualisoi tietojoukko
Lopuksi visualisoi harjoitustietojen näytteet 'matplotlib'-kirjaston avulla:
fig = plt.figure ( viikunan kokoinen = ( 8 , 8 ) )kol , rivi = 3 , 3
varten i sisään alue ( 1 , kol * rivi + 1 ) :
sample_index = taskulamppu.randint ( vain ( tr_date ) , koko = ( 1 , ) ) .tuote ( )
img, otsikko = tr_data [ sample_index ]
fig.add_subplot ( rivi, kol , i )
plt.title ( mappped_label [ etiketti ] )
plt.axis ( 'vinossa' )
plt.imshow ( img.squeeze ( ) , cmap = 'harmaa' )
plt.show ( )
Huomautus : Pääset käyttämään Google Colab -muistikirjaamme tästä linkki .
Siinä oli kyse halutun tietojoukon iteroinnista ja visualisoinnista PyTorchin avulla.
Johtopäätös
Toistaaksesi ja visualisoidaksesi tietyn tietojoukon PyTorchin avulla, tuo ensin tarvittavat kirjastot. Lataa sitten haluttu tietojoukko koulutusta ja testausta varten vaadituilla parametreilla. Merkitse seuraavaksi luokat tietojoukossa ja visualisoi harjoitustiedoissa olevat näytteet 'matplotlib'-kirjaston avulla. Tämä kirjoitus on havainnollistanut menetelmää tietyn tietojoukon iteroimiseksi ja visualisoimiseksi PyTorchin avulla.