PyTorch on süvaõppe raamistik, mis võimaldab kasutajatel luua/ehitada ja treenida närvivõrke. Andmekogum on andmestruktuur, mis sisaldab andmenäidiste ja siltide komplekti/kogu. See annab võimaluse pääseda juurde andmetele tervikuna või kasutada indekseerimis- ja tükeldamistoiminguid. Lisaks saab andmestik rakendada andmetele ka teisendusi, nagu kärpimine, suuruse muutmine jne. Kasutajad saavad PyTorchis andmestikku hõlpsalt itereerida ja visualiseerida.
See kirjutis illustreerib meetodit konkreetse andmekogumi itereerimiseks ja visualiseerimiseks PyTorchi abil.
Kuidas PyTorchi abil andmestikku itereerida ja visualiseerida?
Konkreetse andmestiku PyTorchi abil itereerimiseks ja visualiseerimiseks toimige järgmiselt.
1. samm: importige vajalik teek
Esiteks importige vajalikud teegid. Näiteks oleme importinud järgmised teegid:
import tõrvik
torch.utils.data importimise andmestik
torchvisioni impordi andmekogumitest
alates torchvision.transforms import ToTensor
importige matplotlib.pyplot nagu plt
Siin:
-
- “ import tõrvik ” impordib PyTorchi teegi.
- “ torch.utils.data importimise andmestik ” impordib PyTorchi moodulist „torch.utils.data” klassi „Dataset”, et luua PyTorchis kohandatud andmekogumid.
- “ torchvisioni impordi andmekogumitest ' impordib mooduli 'andmed' teegist 'torchvision', mis pakub arvuti nägemisülesannete jaoks eelnevalt määratletud andmekogumeid.
- “ alates torchvision.transforms import ToTensor ' impordib 'ToTensor' teisenduse 'torchvision.transforms', et teisendada PIL-kujutised või NumPy massiivid PyTorchi tensoriteks.
- “ importige matplotlib.pyplot kui plt ” impordib andmete visualiseerimiseks teegi matplotlib:
2. samm: laadige andmestik
Nüüd laadime torchvisionist FashionMNIST-i andmestiku nii koolituse kui ka testimise eesmärgil järgmiste parameetritega:
tr_data = andmestikud.FashionMNIST ( juur = 'andmed' , rong = Tõsi, lae alla = Tõsi, teisendada =ToTensor ( ))
ts_data = andmestikud.FashionMNIST ( juur = 'andmed' , rong = vale, lae alla = Tõsi, teisendada =ToTensor ( )
)
Siin:
-
- “ FashionMNIST ” laadib torchvisioni teegist FashionMNIST-i andmestiku.
- “ root=”andmed” ” määrab kataloogi, kuhu andmestik salvestatakse või laaditakse, kui see on juba olemas. Meie puhul on see 'andmete' kataloog.
- “ rong ” tähistab koolituse või testi andmestikku.
- “ download=Tõsi ” laadib andmestiku alla, kui seda veel pole.
- “ transform=ToTensor() ” rakendab ToTensori teisendust, et teisendada andmekogus olevad kujutised PyTorchi tensoriteks:
3. samm: märgistage klassid andmekogus
Järgmisena looge sõnastik, mis vastendab klassiindeksid nende vastavate klassisiltidega andmestikus FashionMNIST. See pakub igale klassile inimestele loetavaid silte. Siin lõime ' kaardistatud_silt ” sõnastik ja me kasutame seda klassiindeksite teisendamiseks nende vastavateks klassisildideks:
kaardistatud_silt = {0 : 'T-särk' ,
1 : 'Püks' ,
2 : 'Peatu' ,
3 : 'Kleit' ,
4 : 'mantel' ,
5 : 'sandaal' ,
6 : 'särk' ,
7 : 'Sneaker' ,
8 : 'kott' ,
9 : 'Pahkluu saapad' ,
}
4. samm: visualiseerige andmestik
Lõpuks visualiseerige näidised treeningandmetes, kasutades teeki 'matplotlib':
fig = plt.figuur ( viigisuurus = ( 8 , 8 ) )kol , rida = 3 , 3
jaoks i sisse ulatus ( 1 , kol * rida + 1 ) :
proovi_indeks = tõrvik.randint ( ainult ( tr_date ) , suurus = ( 1 , ) ) .element ( )
img, silt = tr_data [ proovi_indeks ]
fig.add_subplot ( rida, kol , i )
plt.title ( kaardistatud_silt [ silt ] )
plt.telg ( 'väljas' )
plt.imshow ( img.squeeze ( ) , cmap = 'hall' )
plt.show ( )
Märge : meie Google Colabi märkmikule pääsete juurde siit link .
See kõik puudutas soovitud andmekogumi itereerimist ja visualiseerimist PyTorchi abil.
Järeldus
Konkreetse andmestiku PyTorchi abil itereerimiseks ja visualiseerimiseks importige esmalt vajalikud teegid. Seejärel laadige koolituseks ja testimiseks vajalik andmestik koos nõutavate parameetritega. Järgmisena märgistage andmestiku klassid ja visualiseerige näidised treeningandmetes, kasutades teeki „matplotlib”. See kirjutis on illustreerinud meetodit konkreetse andmekogumi itereerimiseks ja visualiseerimiseks PyTorchi abil.