PyTorch的数据集包揽了常用的数据集,使用时只需要引入、配置download=True
即可联网下载。
迫于手里测试集不能连接外网,只能查看源码的实现,以期自己下载数据文件、再自行导入数据集。在torchvision的源码中找到了datasets/cifar.py
文件,负载下载及导入。其它支持的数据集加载源码如下:
1. 下载数据文件
查看源码可知道,如果获取cifar对象时,指定了download=True
就会触发下载文件:
# 如果download为True,联网下载数据文件
if download:
self.download()
下载文件逻辑:
def download(self):
import tarfile
# 如果已经下载且校验完成性的,直接返回
if self._check_integrity():
print('Files already downloaded and verified')
return
# 否则下载文件
download_url(self.url, self.root, self.filename, self.tgz_md5)
# extract file 下载后解压文件
with tarfile.open(os.path.join(self.root, self.filename), "r:gz") as tar:
tar.extractall(path=self.root)
下载文件的url为https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz
,下载之后存储文件名为:cifar-10-python.tar.gz
,下载后需要校验文件的MD5值,为:c58f30108f718f92721af3b95e74349a
。最重要的,下载之后需要解压文件、解压到指定的目录。文件可以从如下两个地址下载得到:
https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz
https://www.cs.toronto.edu/~kriz/cifar-100-python.tar.gz
上传到测试服务器指定目录:
2.检查文件完整性
# 检查文件完整性
if not self._check_integrity():
raise RuntimeError('Dataset not found or corrupted. You can use download=True to download it')
检查文件明细
def _check_integrity(self):
root = self.root
# 检查训练数据文件、测试数据文件是否都在
for fentry in (self.train_list + self.test_list):
filename, md5 = fentry[0], fentry[1]
fpath = os.path.join(root, self.base_folder, filename)
if not check_integrity(fpath, md5):
return False
return True
具体的文件明细及其对应的MD5值也在类变量定义好了:
train_list = [
['data_batch_1', 'c99cafc152244af753f735de768cd75f'],
['data_batch_2', 'd4bba439e000b95fd0a9bffe97cbabec'],
['data_batch_3', '54ebc095f3ab1f0389bbae665268c751'],
['data_batch_4', '634d18415352ddfa80567beed471001a'],
['data_batch_5', '482c414d41f54cd18b22e5b47cb7c3cb'],
]
test_list = [
['test_batch', '40351d587109b95175f43aff81a1287e'],
]
3.加载数据
# 如果是 training set,使用train_list的文件列表
if self.train:
downloaded_list = self.train_list
# 如果是 testset,使用test_list的文件列表
else:
downloaded_list = self.test_list
self.data = []
self.targets = []
# now load the picked numpy arrays 开始加载数据文件
for file_name, checksum in downloaded_list:
file_path = os.path.join(self.root, self.base_folder, file_name)
with open(file_path, 'rb') as f:
if sys.version_info[0] == 2:
entry = pickle.load(f)
else:
entry = pickle.load(f, encoding='latin1')
self.data.append(entry['data'])
if 'labels' in entry:
self.targets.extend(entry['labels'])
else:
self.targets.extend(entry['fine_labels'])
# 将数据调整了尺寸:RGB3通道、大小32*32,不论图片张数
self.data = np.vstack(self.data).reshape(-1, 3, 32, 32)
# convert to HWC,转换为 H*W*C,将channel放到最后
self.data = self.data.transpose((0, 2, 3, 1))
# 加载meta文件,得到类别信息
self._load_meta()
以加载训练集为例,会将文件:data_batch_1, data_batch_2, data_batch_3, data_batch_4, data_batch_5全部加载;这些文件路径会在os.path.join(self.root, self.base_folder)
中。
以我的环境为例,数据集目录都放在了工作目录下的cifar
目录、base_folder是脚本指定的解压目录,目录名cifar-10-batches-py
,拼接各个数据集文件名称就得到完成的数据文件全路径。
然后,进行必要的数据调整,以适应tensor的格式,包括图片的大小、通道等等,便于后续进行batch操作。
加载meta文件逻辑:
def _load_meta(self):
path = os.path.join(self.root, self.base_folder, self.meta['filename'])
if not check_integrity(path, self.meta['md5']):
raise RuntimeError('Dataset metadata file not found or corrupted.' +
' You can use download=True to download it')
with open(path, 'rb') as infile:
if sys.version_info[0] == 2:
data = pickle.load(infile)
else:
data = pickle.load(infile, encoding='latin1')
self.classes = data[self.meta['key']]
self.class_to_idx = {_class: i for i, _class in enumerate(self.classes)}
meta文件配置:
meta = {
'filename': 'batches.meta',
'key': 'label_names',
'md5': '5ff9c542aee3614f3951f8cda6e48888',
}
可见训练集的meta文件为batches.meta,标签名叫label_names
。
4.加载数据集方法
#!/usr/bin/python
# -*- coding: UTF-8 -*-
import sys
reload(sys)
sys.setdefaultencoding("utf-8")
import os,sys
import numpy as np
import torch
import torchvision
from torchvision import transforms, datasets
def get_cifar10_dataloader(data_dir):
'''
使用torch的DataLoader加载数据、规则化、分批
'''
# 准备数据集并预处理
transform_train = transforms.Compose([
transforms.RandomCrop(32, padding=4), #先四周填充0,再将图像随机裁剪成32*32
transforms.RandomHorizontalFlip(), #图像一半的概率翻转,一半的概率不翻转
transforms.ToTensor(),
transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)), #R,G,B每层的归一化用到的均值和方差
])
transform_test = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)),
])
#训练数据集
train_dataset = datasets.CIFAR10(root=data_dir, train=True, download=True, transform=transform_train)
valid_dataset = datasets.CIFAR10(root=data_dir, train=False, download=True, transform=transform_test)
# 对数据进行分批
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=32, shuffle=True, num_workers=2)
valid_loader = torch.utils.data.DataLoader(valid_dataset, batch_size=32, shuffle=True)
# 返回数据
return train_loader, valid_loader
if __name__ == "__main__":
data_dir = '/app/quanyq/metis/torch/cifar'
train_loader, valid_loader = get_cifar10_dataloader(data_dir)
print '训练集大小:%d' % len(train_loader.dataset)
print '测试集大小:%d' % len(valid_loader.dataset)
print 'Finished...'
5.加载分类100种图片数据集
def get_cifar100_dataloader(data_dir):
'''
使用torch的DataLoader加载数据、规则化、分批
'''
# 准备数据集并预处理
transform_train = transforms.Compose([
transforms.RandomCrop(32, padding=4), #先四周填充0,再将图像随机裁剪成32*32
transforms.RandomHorizontalFlip(), #图像一半的概率翻转,一半的概率不翻转
transforms.ToTensor(),
transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)), #R,G,B每层的归一化用到的均值和方差
])
transform_test = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)),
])
#训练数据集:CIFAR100则会加载数据目录下cifar-100-python的文件
train_dataset = datasets.CIFAR100(root=data_dir, train=True, download=True, transform=transform_train)
valid_dataset = datasets.CIFAR100(root=data_dir, train=False, download=True, transform=transform_test)
# 对数据进行分批
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=32, shuffle=True, num_workers=2)
valid_loader = torch.utils.data.DataLoader(valid_dataset, batch_size=32, shuffle=True)
# 返回数据
return train_loader, valid_loader
代码结构一模一样,只是选择类为datasets.CIFAR100
,这样内部处理会选择加载数据目录下cifar-100-python文件夹中的数据。
6.总结
整体来说,PyTorch对cifar数据集支持比较好,这里只是跳过了下载、解压的流程,然后将数据目录传给datasets.CIFAR100
或者datasets.CIFAR10
类就可以完成数据加载。