Το PyTorch είναι ένα πλαίσιο βαθιάς μάθησης που επιτρέπει στους χρήστες να δημιουργούν/δημιουργούν και εκπαιδεύουν νευρωνικά δίκτυα. Ένα σύνολο δεδομένων είναι μια δομή δεδομένων που περιέχει ένα σύνολο/συλλογή δειγμάτων δεδομένων και ετικετών. Παρέχει έναν τρόπο πρόσβασης στα δεδομένα στο σύνολό τους ή χρησιμοποιώντας λειτουργίες ευρετηρίασης και τεμαχισμού. Επιπλέον, ένα σύνολο δεδομένων μπορεί επίσης να εφαρμόσει μετασχηματισμούς στα δεδομένα, όπως περικοπή, αλλαγή μεγέθους κ.λπ. Οι χρήστες μπορούν εύκολα να επαναλάβουν και να οπτικοποιήσουν το σύνολο δεδομένων στο PyTorch.
Αυτή η εγγραφή θα απεικονίσει τη μέθοδο επανάληψης και οπτικοποίησης ενός συγκεκριμένου συνόλου δεδομένων χρησιμοποιώντας το PyTorch.
Πώς να επαναλάβετε και να οπτικοποιήσετε το σύνολο δεδομένων χρησιμοποιώντας το PyTorch;
Για να επαναλάβετε και να οπτικοποιήσετε ένα συγκεκριμένο σύνολο δεδομένων χρησιμοποιώντας το PyTorch, ακολουθήστε τα παρεχόμενα βήματα:
Βήμα 1: Εισαγάγετε την απαραίτητη βιβλιοθήκη
Πρώτα, εισαγάγετε τις απαιτούμενες βιβλιοθήκες. Για παράδειγμα, έχουμε εισαγάγει τις ακόλουθες βιβλιοθήκες:
φακός εισαγωγής
από torch.utils.data εισαγωγή σύνολο δεδομένων
από σύνολα δεδομένων εισαγωγής φακού
από το torchvision.transforms εισαγωγή ToTensor
εισαγωγή matplotlib.pyplot όπως και plt
Εδώ:
-
- ' φακός εισαγωγής ” εισάγει τη βιβλιοθήκη PyTorch.
- ' από torch.utils.data εισαγωγή σύνολο δεδομένων ' εισάγει την κλάση 'Dataset' από τη λειτουργική μονάδα 'torch.utils.data' του PyTorch για τη δημιουργία προσαρμοσμένων συνόλων δεδομένων στο PyTorch.
- ' από σύνολα δεδομένων εισαγωγής torchvision ' εισάγει τη μονάδα 'datasets' από τη βιβλιοθήκη 'torchvision', η οποία παρέχει προκαθορισμένα σύνολα δεδομένων για εργασίες όρασης υπολογιστή.
- ' από το torchvision.transforms εισαγωγή ToTensor ' εισάγει τον μετασχηματισμό 'ToTensor' από 'torchvision.transforms' για τη μετατροπή εικόνων PIL ή πινάκων NumPy σε τανυστές PyTorch.
- ' εισαγωγή matplotlib.pyplot ως plt ” εισάγει τη βιβλιοθήκη matplotlib για οπτικοποίηση δεδομένων:
Βήμα 2: Φόρτωση συνόλου δεδομένων
Τώρα, θα φορτώσουμε το σύνολο δεδομένων FashionMNIST από το torchvision τόσο για σκοπούς εκπαίδευσης όσο και για δοκιμές με τις ακόλουθες παραμέτρους:
tr_data = σύνολα δεδομένων.FashionMNIST ( ρίζα = 'δεδομένα' , τρένο = Αλήθεια, Κατεβάστε = Αλήθεια, μεταμορφώνω =ToTensor ( ))
ts_data = σύνολα δεδομένων.FashionMNIST ( ρίζα = 'δεδομένα' , τρένο =Λάθος, Κατεβάστε = Αλήθεια, μεταμορφώνω =ToTensor ( )
)
Εδώ:
-
- ' FashionMNIST ” φορτώνει το σύνολο δεδομένων FashionMNIST από τη βιβλιοθήκη torchvision.
- ' root=”δεδομένα” ” καθορίζει τον κατάλογο όπου θα αποθηκευτεί ή θα φορτωθεί το σύνολο δεδομένων εάν υπάρχει ήδη. Στην περίπτωσή μας, είναι ο κατάλογος «δεδομένων».
- ' τρένο ' υποδεικνύει εκπαίδευση ή δοκιμαστικό σύνολο δεδομένων.
- ' λήψη=Αλήθεια ' κατεβάζει το σύνολο δεδομένων εάν δεν υπάρχει ήδη.
- ' transform=ToTensor() ” εφαρμόζει τον μετασχηματισμό ToTensor για να μετατρέψει τις εικόνες στο σύνολο δεδομένων σε τανυστές PyTorch:
Βήμα 3: Επισήμανση κλάσεων στο σύνολο δεδομένων
Στη συνέχεια, δημιουργήστε ένα λεξικό που αντιστοιχίζει δείκτες κλάσεων στις αντίστοιχες ετικέτες κλάσεων στο σύνολο δεδομένων FashionMNIST. Παρέχει ετικέτες αναγνώσιμες από τον άνθρωπο για κάθε τάξη. Εδώ, δημιουργήσαμε το ' mapped_label ” λεξικό και θα το χρησιμοποιήσουμε για να μετατρέψουμε τους δείκτες κλάσεων στις αντίστοιχες ετικέτες κλάσεων:
χαρτογραφημένη_ετικέτα = {0 : 'Κοντομάνικη μπλούζα' ,
1 : 'Παντελόνι' ,
2 : 'Κάνε στην άκρη' ,
3 : 'Φόρεμα' ,
4 : 'Παλτό' ,
5 : 'Σανδάλι' ,
6 : 'Πουκάμισο' ,
7 : 'Υπουλος' ,
8 : 'Τσάντα' ,
9 : 'Μποτάκι ως τον αστράγαλο' ,
}
Βήμα 4: Οπτικοποίηση συνόλου δεδομένων
Τέλος, οπτικοποιήστε τα δείγματα στα δεδομένα εκπαίδευσης χρησιμοποιώντας τη βιβλιοθήκη «matplotlib»:
fig = πλτ.σχήμα ( σύκα = ( 8 , 8 ) )διάσελο , σειρά = 3 , 3
Για Εγώ σε εύρος ( 1 , διάσελο * σειρά + 1 ) :
δείγμα_δείκτης = φακός.randint ( μόνο ( tr_ημερομηνία ) , Μέγεθος = ( 1 , ) ) .είδος ( )
img, label = tr_data [ δείγμα_ευρετηρίου ]
fig.add_subplot ( σειρά, διάσελο , Εγώ )
πλ.τίτλος ( mapped_label [ επιγραφή ] )
πλτ.άξονας ( 'μακριά από' )
plt.imshow ( img.συμπίεση ( ) , cmap = 'γκρί' )
πλτ.δείχνω ( )
Σημείωση : Μπορείτε να αποκτήσετε πρόσβαση στο Σημειωματάριο Google Colab από αυτό Σύνδεσμος .
Αυτό αφορούσε την επανάληψη και την οπτικοποίηση του επιθυμητού συνόλου δεδομένων χρησιμοποιώντας το PyTorch.
συμπέρασμα
Για να επαναλάβετε και να οπτικοποιήσετε ένα συγκεκριμένο σύνολο δεδομένων χρησιμοποιώντας το PyTorch, πρώτα εισάγετε τις απαραίτητες βιβλιοθήκες. Στη συνέχεια, φορτώστε το επιθυμητό σύνολο δεδομένων για εκπαίδευση και δοκιμή με τις απαιτούμενες παραμέτρους. Στη συνέχεια, επισημάνετε τις κλάσεις στο σύνολο δεδομένων και οπτικοποιήστε δείγματα στα δεδομένα εκπαίδευσης χρησιμοποιώντας τη βιβλιοθήκη 'matplotlib'. Αυτή η εγγραφή επεξηγεί τη μέθοδο επανάληψης και οπτικοποίησης ενός συγκεκριμένου συνόλου δεδομένων χρησιμοποιώντας το PyTorch.