PyTorch er en dybdelæringsramme, der gør det muligt for brugere at skabe/opbygge og træne neurale netværk. Et datasæt er en datastruktur, der indeholder et sæt/samling af dataeksempler og etiketter. Det giver en måde at få adgang til dataene som helhed eller ved at bruge indekserings- og udsnitsoperationer. Desuden kan et datasæt også anvende transformationer til dataene, såsom beskæring, ændring af størrelse osv. Brugere kan nemt iterere og visualisere datasættet i PyTorch.
Denne opskrivning vil illustrere metoden til at iterere og visualisere et specifikt datasæt ved hjælp af PyTorch.
Hvordan gentages og visualiseres datasættet ved hjælp af PyTorch?
For at iterere og visualisere et bestemt datasæt ved hjælp af PyTorch skal du følge de medfølgende trin:
Trin 1: Importer nødvendigt bibliotek
Importer først de nødvendige biblioteker. For eksempel har vi importeret følgende biblioteker:
import lommelygte
fra torch.utils.data import datasæt
fra torchvision import datasæt
fra torchvision.transforms importerer ToTensor
importer matplotlib.pyplot som plt
Her:
-
- “ import lommelygte ” importerer PyTorch-biblioteket.
- “ fra torch.utils.data import datasæt ' importerer 'Dataset'-klassen fra PyTorchs 'torch.utils.data'-modul til at oprette brugerdefinerede datasæt i PyTorch.
- “ fra torchvision import datasæt ' importerer 'datasæt'-modulet fra 'torchvision'-biblioteket, som leverer foruddefinerede datasæt til computervisionsopgaver.
- “ fra torchvision.transforms importerer ToTensor ' importerer 'ToTensor'-transformationen fra 'torchvision.transforms' til konvertering af PIL-billeder eller NumPy-arrays til PyTorch-tensorer.
- “ importer matplotlib.pyplot som plt ' importerer matplotlib-biblioteket til datavisualisering:
Trin 2: Indlæs datasæt
Nu vil vi indlæse FashionMNIST-datasættet fra torchvision til både trænings- og testformål med følgende parametre:
tr_data = datasæt.FashionMNIST ( rod = 'data' , tog = Sandt, Hent = Sandt, transformere =TilTensor ( ))
ts_data = datasæt.FashionMNIST ( rod = 'data' , tog = Falsk, Hent = Sandt, transformere =TilTensor ( )
)
Her:
-
- “ ModeMNIST ” indlæser FashionMNIST-datasættet fra torchvision-biblioteket.
- “ root='data' ” angiver den mappe, hvor datasættet vil blive gemt eller indlæst, hvis det allerede eksisterer. I vores tilfælde er det 'data'-biblioteket.
- “ tog ” angiver trænings- eller testdatasæt.
- “ download=Sandt ” downloader datasættet, hvis det ikke allerede er til stede.
- “ transform=ToTensor() ” anvender ToTensor-transformationen til at konvertere billederne i datasættet til PyTorch-tensorer:
Trin 3: Mærk klasser i datasæt
Opret derefter en ordbog, der kortlægger klasseindekser til deres tilsvarende klasseetiketter i FashionMNIST-datasættet. Det giver menneskelæselige etiketter for hver klasse. Her skabte vi ' kortlagt_etiket ” ordbog, og vi vil bruge denne til at konvertere klasseindekser til deres tilsvarende klasseetiketter:
mapped_label = {0 : 'T-shirt' ,
1 : 'Bukser' ,
2 : 'Bluse' ,
3 : 'Kjole' ,
4 : 'Frakke' ,
5 : 'Sandal' ,
6 : 'Skjorte' ,
7 : 'Sneaker' ,
8 : 'Taske' ,
9 : 'Ankelstøvle' ,
}
Trin 4: Visualiser datasæt
Visualiser endelig prøverne i træningsdataene ved hjælp af 'matplotlib'-biblioteket:
fig = plt.figur ( figenstørrelse = ( 8 , 8 ) )col , række = 3 , 3
til jeg i rækkevidde ( 1 , col * række + 1 ) :
sample_index = fakkel.randint ( kun ( tr_dato ) , størrelse = ( 1 , ) ) .vare ( )
img, label = tr_data [ sample_index ]
fig.add_subplot ( række, col , dvs )
plt.titel ( kortlagt_etiket [ etiket ] )
plt.akse ( 'af' )
plt.imshow ( img.klem ( ) , cmap = 'grå' )
plt.vis ( )
Bemærk : Du kan få adgang til vores Google Colab Notebook her link .
Det handlede om at iterere og visualisere det ønskede datasæt ved hjælp af PyTorch.
Konklusion
For at iterere og visualisere et bestemt datasæt ved hjælp af PyTorch skal du først importere de nødvendige biblioteker. Indlæs derefter det ønskede datasæt til træning og test med de nødvendige parametre. Dernæst skal du mærke klasser i datasættet og visualisere prøver i træningsdataene ved hjælp af 'matplotlib'-biblioteket. Denne opskrivning har illustreret metoden til at iterere og visualisere et specifikt datasæt ved hjælp af PyTorch.