PyTorch is een deep-learning raamwerk waarmee gebruikers neurale netwerken kunnen creëren/bouwen en trainen. Een dataset is een datastructuur die een set/verzameling datamonsters en labels bevat. Het biedt een manier om toegang te krijgen tot de gegevens als geheel of door gebruik te maken van indexerings- en segmenteringsbewerkingen. Bovendien kan een dataset ook transformaties op de gegevens toepassen, zoals bijsnijden, vergroten/verkleinen, enz. Gebruikers kunnen de dataset eenvoudig herhalen en visualiseren in PyTorch.
Dit artikel illustreert de methode om een specifieke dataset te itereren en visualiseren met behulp van PyTorch.
Hoe de dataset herhalen en visualiseren met PyTorch?
Om een bepaalde dataset te herhalen en te visualiseren met PyTorch, volgt u de aangegeven stappen:
Stap 1: Importeer de benodigde bibliotheek
Importeer eerst de vereiste bibliotheken. We hebben bijvoorbeeld de volgende bibliotheken geïmporteerd:
fakkel importeren
van torch.utils.data importeer gegevensset
van torchvision-importgegevenssets
van torchvision.transforms import ToTensor
importeer matplotlib.pyplot als plt
Hier:
-
- “ fakkel importeren ” importeert de PyTorch-bibliotheek.
- “ van torch.utils.data importeer gegevensset ' importeert de klasse 'Dataset' uit de module 'torch.utils.data' van PyTorch voor het maken van aangepaste gegevenssets in PyTorch.
- “ van torchvision-importgegevenssets ' importeert de module 'datasets' uit de 'torchvision'-bibliotheek die vooraf gedefinieerde datasets biedt voor computer vision-taken.
- “ van torchvision.transforms import ToTensor ' importeert de 'ToTensor'-transformatie van' torchvision.transforms 'voor het converteren van PIL-afbeeldingen of NumPy-arrays naar PyTorch-tensoren.
- “ importeer matplotlib.pyplot als plt ” importeert de matplotlib-bibliotheek voor datavisualisatie:
Stap 2: Gegevensset laden
Nu zullen we de FashionMNIST-dataset van torchvision laden voor zowel trainings- als testdoeleinden met de volgende parameters:
tr_data = datasets.FashionMNIST ( wortel = 'gegevens' , trein =Waar, downloaden =Waar, transformeren =NaarTensor ( ))
ts_data = datasets.FashionMNIST ( wortel = 'gegevens' , trein =Onwaar, downloaden =Waar, transformeren =NaarTensor ( )
)
Hier:
-
- “ ModeMNIST ” laadt de FashionMNIST-dataset uit de torchvision-bibliotheek.
- “ root=”gegevens” ” specificeert de map waar de gegevensset zal worden opgeslagen of geladen als deze al bestaat. In ons geval is dit de map “data”.
- “ trein ” geeft trainings- of testdataset aan.
- “ downloaden=Waar 'downloadt de dataset als deze nog niet aanwezig is.
- “ transform=NaarTensor() ” past de ToTensor-transformatie toe om de afbeeldingen in de dataset naar PyTorch-tensoren te converteren:
Stap 3: Label klassen in dataset
Maak vervolgens een woordenboek dat klassenindexen toewijst aan de overeenkomstige klassenlabels in de FashionMNIST-gegevensset. Het biedt voor elke klasse leesbare labels. Hier hebben we de “ toegewezen_label 'woordenboek en we zullen dit gebruiken om klassenindexen om te zetten in hun overeenkomstige klassenlabels:
toegewezen_label = {0 : 'T-shirt' ,
1 : 'Broek' ,
2 : 'Stoppen' ,
3 : 'Jurk' ,
4 : 'Jas' ,
5 : 'Sandaal' ,
6 : 'Shirt' ,
7 : 'Sneaker' ,
8 : 'Tas' ,
9 : 'Enkellaars' ,
}
Stap 4: Visualiseer de gegevensset
Visualiseer ten slotte de voorbeelden in de trainingsgegevens met behulp van de 'matplotlib' -bibliotheek:
fig = plt.figuur ( vijgengrootte = ( 8 , 8 ) )kol , rij = 3 , 3
voor i in bereik ( 1 , kol * rij + 1 ) :
sample_index = fakkel.randint ( alleen ( tr_date ) , maat = ( 1 , ) ) .item ( )
img, label = tr_data [ voorbeeld_index ]
fig.add_subplot ( rij, kol , i )
plt.titel ( toegewezen_label [ etiket ] )
plt.as ( 'uit' )
plt.imshow ( img.squeeze ( ) , cmap = 'grijs' )
plt.show ( )
Opmerking : Hier heeft u toegang tot ons Google Colab Notebook koppeling .
Dat ging allemaal over het itereren en visualiseren van de gewenste dataset met behulp van PyTorch.
Conclusie
Om een bepaalde dataset te itereren en te visualiseren met PyTorch, importeert u eerst de benodigde bibliotheken. Laad vervolgens de gewenste dataset voor training en testen met de vereiste parameters. Label vervolgens de klassen in de dataset en visualiseer voorbeelden in de trainingsgegevens met behulp van de 'matplotlib' -bibliotheek. Dit artikel illustreert de methode om een specifieke dataset te itereren en visualiseren met behulp van PyTorch.