PyTorch je ogrodje za globoko učenje, ki uporabnikom omogoča ustvarjanje/gradnjo in urjenje nevronskih mrež. Nabor podatkov je podatkovna struktura, ki vsebuje nabor/zbirko vzorcev podatkov in oznak. Omogoča dostop do podatkov kot celote ali z uporabo operacij indeksiranja in rezanja. Poleg tega lahko nabor podatkov uporabi tudi transformacije podatkov, kot je obrezovanje, spreminjanje velikosti itd. Uporabniki lahko preprosto ponovijo in vizualizirajo nabor podatkov v PyTorchu.
Ta zapis bo ponazoril metodo za ponavljanje in vizualizacijo določenega nabora podatkov z uporabo PyTorcha.
Kako ponoviti in vizualizirati nabor podatkov z uporabo PyTorcha?
Če želite ponoviti in vizualizirati določen nabor podatkov z uporabo PyTorcha, sledite navedenim korakom:
1. korak: uvozite potrebno knjižnico
Najprej uvozite zahtevane knjižnice. Na primer, uvozili smo naslednje knjižnice:
uvozna svetilka
iz torch.utils.data import Dataset
iz naborov podatkov za uvoz torchvision
iz torchvision.transforms import ToTensor
uvozite matplotlib.pyplot kot plt
Tukaj:
-
- “ uvozna svetilka ” uvozi knjižnico PyTorch.
- “ iz torch.utils.data import Dataset « uvozi razred »Dataset« iz modula »torch.utils.data« PyTorcha za ustvarjanje naborov podatkov po meri v PyTorchu.
- “ iz naborov podatkov za uvoz torchvision « uvozi modul »nabori podatkov« iz knjižnice »torchvision«, ki zagotavlja vnaprej določene nabore podatkov za naloge računalniškega vida.
- “ iz torchvision.transforms import ToTensor « uvozi transformacijo »ToTensor« iz »torchvision.transforms« za pretvorbo slik PIL ali nizov NumPy v tenzorje PyTorch.
- “ uvozi matplotlib.pyplot kot plt ” uvozi knjižnico matplotlib za vizualizacijo podatkov:
2. korak: Naložite nabor podatkov
Zdaj bomo naložili nabor podatkov FashionMNIST iz torchvisiona za namene usposabljanja in testiranja z naslednjimi parametri:
tr_data = nabori podatkov.FashionMNIST ( korenina = 'podatki' , vlak = res, Prenesi = res, transformirati =ToTensor ( ))
ts_data = nabori podatkov.FashionMNIST ( korenina = 'podatki' , vlak =False, Prenesi = res, transformirati =ToTensor ( )
)
Tukaj:
-
- “ FashionMNIST ” naloži nabor podatkov FashionMNIST iz knjižnice torchvision.
- “ root=”podatki” ” določa imenik, kjer bo nabor podatkov shranjen ali naložen, če že obstaja. V našem primeru je to imenik »podatki«.
- “ vlak ” označuje nabor podatkov o usposabljanju ali testu.
- “ prenos=Res ” prenese nabor podatkov, če še ni prisoten.
- “ transform=ToTensor() ” uporabi transformacijo ToTensor za pretvorbo slik v naboru podatkov v tenzorje PyTorch:
3. korak: Označite razrede v naboru podatkov
Nato ustvarite slovar, ki preslika indekse razredov v njihove ustrezne oznake razredov v naboru podatkov FashionMNIST. Ponuja človeku berljive oznake za vsak razred. Tukaj smo ustvarili » preslikana_oznaka ” in to bomo uporabili za pretvorbo indeksov razredov v njihove ustrezne oznake razredov:
preslikana_oznaka = {0 : 'majica' ,
1 : 'Hlače' ,
2 : 'Ustavi' ,
3 : 'obleka' ,
4 : 'Plašč' ,
5 : 'sandal' ,
6 : 'Srajca' ,
7 : 'Sneaker' ,
8 : 'torba' ,
9 : 'gležnjar' ,
}
4. korak: Vizualizirajte nabor podatkov
Končno vizualizirajte vzorce v podatkih o usposabljanju z uporabo knjižnice »matplotlib«:
fig = plt.slika ( velikost fige = ( 8 , 8 ) )col , vrstica = 3 , 3
za jaz v obseg ( 1 , col * vrstica + 1 ) :
vzorec_indeksa = torch.randint ( samo ( tr_date ) , velikost = ( 1 , ) ) .predmet ( )
img, oznaka = tr_podatki [ vzorec_indeksa ]
fig.add_subplot ( vrsta, col , jaz )
plt.title ( preslikana_oznaka [ oznaka ] )
plt.os ( 'izklopljen' )
plt.imshow ( img.squeeze ( ) , cmap = 'siva' )
plt.show ( )
Opomba : Do našega zvezka Google Colab lahko dostopate tukaj povezava .
To je bilo vse o ponavljanju in vizualizaciji želenega nabora podatkov s pomočjo PyTorcha.
Zaključek
Če želite ponoviti in vizualizirati določen nabor podatkov s pomočjo PyTorcha, najprej uvozite potrebne knjižnice. Nato naložite želeni nabor podatkov za usposabljanje in testiranje z zahtevanimi parametri. Nato označite razrede v naboru podatkov in vizualizirajte vzorce v podatkih o usposabljanju z uporabo knjižnice »matplotlib«. Ta zapis je ponazoril metodo za ponovitev in vizualizacijo določenega nabora podatkov z uporabo PyTorcha.