PyTorch ialah rangka kerja pembelajaran mendalam yang membolehkan pengguna mencipta/membina dan melatih rangkaian saraf. Set data ialah struktur data yang mengandungi set/pengumpulan sampel dan label data. Ia menyediakan cara untuk mengakses data secara keseluruhan atau menggunakan operasi pengindeksan dan penghirisan. Selain itu, set data juga boleh menggunakan transformasi pada data, seperti memangkas, mengubah saiz, dsb. Pengguna boleh dengan mudah melelang dan menggambarkan set data dalam PyTorch.
Tulisan ini akan menggambarkan kaedah untuk mengulang dan menggambarkan set data tertentu menggunakan PyTorch.
Bagaimana untuk Mengulang dan Memvisualisasikan Set Data Menggunakan PyTorch?
Untuk mengulang dan menggambarkan set data tertentu menggunakan PyTorch, ikut langkah yang disediakan:
Langkah 1: Import Perpustakaan yang Diperlukan
Pertama, import perpustakaan yang diperlukan. Sebagai contoh, kami telah mengimport perpustakaan berikut:
obor import
daripada torch.utils.data import Dataset
daripada set data import torchvision
daripada torchvision.transforms import ToTensor
import matplotlib.pyplot sebagai plt
di sini:
-
- “ obor import ” mengimport perpustakaan PyTorch.
- “ daripada torch.utils.data import Dataset ” mengimport kelas “Dataset” daripada modul “torch.utils.data” PyTorch untuk mencipta set data tersuai dalam PyTorch.
- “ daripada set data import torchvision ” mengimport modul “set data” daripada perpustakaan “torchvision” yang menyediakan set data yang dipratakrifkan untuk tugas penglihatan komputer.
- “ daripada torchvision.transforms import ToTensor ” mengimport transformasi “ToTensor” daripada “torchvision.transforms” untuk menukar imej PIL atau tatasusunan NumPy kepada tensor PyTorch.
- “ import matplotlib.pyplot sebagai plt ' mengimport perpustakaan matplotlib untuk visualisasi data:
Langkah 2: Muatkan Set Data
Sekarang, kami akan memuatkan dataset FashionMNIST daripada torchvision untuk tujuan latihan dan ujian dengan parameter berikut:
tr_data = set data.FashionMNIST ( akar = 'data' , kereta api =Benar, muat turun =Benar, mengubah =ToTensor ( ))
ts_data = set data.FashionMNIST ( akar = 'data' , kereta api =Salah, muat turun =Benar, mengubah =ToTensor ( )
)
di sini:
-
- “ FashionMNIST ” memuatkan dataset FashionMNIST daripada pustaka torchvision.
- “ akar =”data” ” menentukan direktori tempat set data akan disimpan atau dimuatkan jika ia sudah wujud. Dalam kes kami, ia adalah direktori 'data'.
- “ kereta api ” menunjukkan set data latihan atau ujian.
- “ muat turun=Benar ” memuat turun set data jika ia belum ada.
- “ transform=ToTensor() ” menggunakan transformasi ToTensor untuk menukar imej dalam set data kepada tensor PyTorch:
Langkah 3: Labelkan Kelas dalam Set Data
Seterusnya, cipta kamus yang memetakan indeks kelas kepada label kelas yang sepadan dalam set data FashionMNIST. Ia menyediakan label yang boleh dibaca manusia untuk setiap kelas. Di sini, kami mencipta ' label_peta ” kamus dan kami akan menggunakan ini untuk menukar indeks kelas ke dalam label kelas yang sepadan:
label_peta = {0 : 'T-Shirt' ,
1 : 'Seluar' ,
2 : 'Pullover' ,
3 : 'Pakaian' ,
4 : 'Kot' ,
5 : 'Sandal' ,
6 : 'Baju' ,
7 : 'Sneaker' ,
8 : 'Beg' ,
9 : 'But buku lali' ,
}
Langkah 4: Visualisasikan Set Data
Akhir sekali, bayangkan sampel dalam data latihan menggunakan perpustakaan 'matplotlib':
fig = plt.figure ( buah ara = ( 8 , 8 ) )kol , baris = 3 , 3
untuk i dalam julat ( 1 , kol * baris + 1 ) :
sampel_indeks = obor.randint ( sahaja ( tr_date ) , saiz = ( 1 , ) ) .item ( )
img, label = tr_data [ sampel_indeks ]
rajah.tambah_subplot ( barisan, kol , i )
plt.title ( label_peta [ label ] )
plt.axis ( 'mati' )
plt.imshow ( img.squeeze ( ) , cmap = 'kelabu' )
plt.show ( )
Catatan : Anda boleh mengakses Buku Nota Google Colab kami di sini pautan .
Itu semua tentang mengulang dan menggambarkan set data yang dikehendaki menggunakan PyTorch.
Kesimpulan
Untuk mengulang dan menggambarkan set data tertentu menggunakan PyTorch, pertama, import perpustakaan yang diperlukan. Kemudian, muatkan set data yang dikehendaki untuk latihan dan ujian dengan parameter yang diperlukan. Seterusnya, labelkan kelas dalam set data dan gambarkan sampel dalam data latihan menggunakan perpustakaan 'matplotlib'. Tulisan ini telah menggambarkan kaedah untuk mengulang dan menggambarkan set data tertentu menggunakan PyTorch.