提供了编程的基础技术教程

zl程序教程

您现在的位置是：首页 >  大数据

当前栏目

第二篇 FastAI数据准备「建议收藏」

数据 建议 收藏 准备 第二篇 FASTAI
2023-06-13 09:13:44 时间

大家好，又见面了，我是你们的朋友全栈君。

一、Fast AI代码组织结构 (文档链接)

Fast AI库主要涉及神经网络在如下四个领域的应用：collab(协同滤波问题)、tabular(结构化数据或者说表格数据处理)、text(自然语言处理)、vision(机器视觉)。对每一领域(除了collab)，其下又会按照如下结构组织代码:

  • (1) data：定义了模型所需的数据集类。
  • (2) transform：数据预处理(如对图像数据的图像增强，表格数据的数据清洗，文本数据的符号化以及数字化)
  • (3) models：定义了相应的网络模型。
  • (4) learner：定义了将数据和模型关联起来的类，并定义了一系列回调函数。

本系列博客所关注的vision包，同样是按照如上结构进行组织的，同时也定义了专用于视觉处理的对象：

  • (1) vision.Image定义了Fast AI的Image对象，以及对其进行操作的函数。
  • (2) vision.data定义了专用于视觉应用的ImageDataBunch数据集，以及可从DataBunch构建的用于视觉应用的函数。
  • (3) vision.transform定义了可用于数据增强的变换。
  • (4) vision.learner定义了可用于训练网络或迁移学习的一些函数。

若要使用vision包的功能，仅需如下语句进行导入相关定义：

from fastai.vision import *

二、 vision.Image数据类型(fastai/vision/image.py)

Fast AI用于图像处理的基础类型为Image，是在PIL.Image类型上构建的，并封装了一些常用函数。

1. 构建Image对象

Fast AI提供了一个将图像文件读取为vision.Image对象的函数open_image(定义在fastai/vision/image.py文件中):

open_image( fn:PathOrStr,               # 文件路径
            div:bool=True,              # 是否除以255
            convert_mode:str='RGB',     # 转换方式，同PIL.Image
            cls:type=Image,             # 返回的类型
            after_open:Callable=None)   # 打开文件后的回调

上述函数以PIL.Image.open()方式打开fn指定的文件后，做after_open的处理，然后调用pil2tensor()函数将之转换成float32型的tensor(会进行维度的交换调整，调整后变为C x H x W)，依据div决定是否做归一化操作(默认是做归一化操作的)，最后转换为cls类型的变量。cls默认使用vision.Image类型。

所以，Image类型还可使用C x H x W形状的float32型的tensor类直接进行初始化。

2. Image对象的一些通用属性
  • Image.data: 图像像素数据，以tensor形式存储。
  • Image.shape: channels x height x width。
  • Image.size: height x width。
3. Image对象的一些通用函数

Image.show()函数，用于显示图像 

Image.show(
    ax:Axes=None,       # 指定用于显示图像的图对象(由matplotlib的相关函数生成)
    figsize:tuple=(3, 3),   # 图的大小
    title:Optional[str]=None,   # 图的标题
    hide_axis:bool=True,    # 隐藏坐标轴
    cmap:str=None,          # color map, 与matplotlib中的cmap一致
    y:Any=None,         # 是否有额外的显示，如定位框、图像掩膜之类的
    **kwargs
)

Image.rotate()函数，用于图像旋转，这是一个神奇的函数，在Image类及其父类ItemBase中，均找不到它的定义，不过应该和PIL.Image.rotate()函数类似。对于旋转后需要扩充的像素，采用的是反射补全。

Image.resize()函数，用于图像缩放，其参数为一个整数，或者HxW型的元组。

Image.apply_tfms()函数，用于图像变换： 

apply_tfms(
tfms:Union[Callable, Collection[Callable]],  # 变换列表
do_resolve:bool=True,   # 是否重新设置随机化参数。比如对于图像分割，
# 对image和mask需要做同样的缩放或平移，
# 此时即需要设置do_resolve=False
xtra:Optional[Dict[Callable, dict]]=None, # 变换所需的额外的参数
size:Union[int, TensorImageSize, NoneType]=None, # 输出图片的尺寸 
resize_method:ResizeMethod=None, # 如何达到最终所要的尺寸 [crop, pad, squish]
mult:int=None, # 保证最终所得图像的尺寸是mult的倍数
padding_mode:str='reflection', # 填充方法 ["zero", "border", "reflection"]
mode:str='bilinear', remove_out:bool=True) → Tensor

除去vision.Image类外，Fast AI还定义了一些用于具体任务的类，如用于图像分割的ImageSegment类，用于目标检测的ImageBBox类，用于关键点定位的ImagePoints类等。这些将在相关应用场景下进行介绍。

三、 用于灌入网络的数据装配类型vision.ImageDataBunch类(fastai/vision/data.py)

由前一博客的示例，Fast AI会将训练集、验证集、测试集的数据迭代器组合成DataBunch对象。而对于视觉领域的应用，Fast AI提供了更为合适的数据装配类型：ImageDataBunch类。

对于视觉任务而言，其数据一般有两种组织方式：

ImageNet类的数据组织形式：每类的图像位于各自的文件夹下：

  path\
train\ 
class1\     class2\ ...
valid\
class1\     class2\ ...
test\

以csv文件给出图像以及对应的label:

  path\
train\  test\   labels.csv

针对这些情形，Fast AI提供了用于构建ImageDataBunch的6种工厂类方法。这6种方法均是基于ImageDataBunch.create_from_ll()方法。由前所述，ImageDataBunch仅是整合了用于灌入网络的数据加载器(即训练集、验证集和可选的测试集)，因此，create_from_ll()方法也很简单：指定训练集、验证集、测试集的文件列表，指定网络每次读取的数据的大小(batch size)，指定对数据进行的变换等等。

@classmethod
def create_from_ll(cls, 
lls:LabelLists, # 文件列表
bs:int=64, val_bs:int=None, # batch size
ds_tfms:Optional[TfmList]=None, # 对数据进行的变换
num_workers:int=defaults.cpus, 
dl_tfms:Optional[Collection[Callable]]=None, 
device:torch.device=None,
test:Optional[PathOrStr]=None, # 测试数据集的路径
collate_fn:Callable=data_collate, 
size:int=None, # 图像大小
no_check:bool=False,
resize_method:ResizeMethod=None, 
mult:int=None, padding_mode:str='reflection',
mode:str='bilinear', 
tfm_y:bool=False # 是否对标签数据进行变换，如在图像分割任务中，是否对mask进行变换
)->'ImageDataBunch':

实际上很少直接调用这个看着很复杂的函数，而是调用6种工厂类函数。这些工厂类函数大同小异，仅是在如何提供数据标签方面有所差别。下面以fastai.URLs.MNIST_SAMPLE数据为例演示其用法。

1. URLs.MNIST_SAMPLE数据说明
path = untar_data(URLs.MNIST_SAMPLE)

会将数据文件下载至~/.fastai/data目录下。数据目录结构为

mnist_sample\
labels.csv
train\(12396)
3\(6131)  7\(6265)
valid\(2038)
3\(1010)  7\(1028)

数据仅包含MNIST手写数字集的3和7两类，按照ImageNet数据的组织格式存储，同时以labels.csv文件提供文件名与类别的对应关系。其中labels.csv中的每条记录的格式为：(注意其中的labels不再是3和7，而变成了0和1)

图 1. labels.csv记录格式

2. 使用文件夹提供数据标签：from_folder()工厂类方法

from_folder()的函数签名如下：

@classmethod
def from_folder(cls,
path:PathOrStr,  # 数据目录，包含train、valid等分类。
train:PathOrStr='train', # 训练集的文件夹名称，默认为train
valid:PathOrStr='valid', # 验证集的文件夹名称，默认为valid
valid_pct=None, seed:int=None, # 用于划分train和valid数据集的比例参数，以及随机种子
# 如果设置了valid_pct参数，则train、valid参数指定的文件夹不再起作用
classes:Collection=None, # 可以指定选取哪些类
**kwargs:Any)->'ImageDataBunch':

对于MNIST_SAMPLE数据：

data = ImageDataBunch.from_folder(path, size=24)
3. 使用panda.DataFrame对象提供数据标签：from_df()工厂类方法

from_df()的函数签名如下：

@classmethod
def from_df(cls,
path:PathOrStr, # 数据目录
df:pd.DataFrame, # 存储图像文件及其对应标签的DataFrame
folder:PathOrStr=None,  # 相对于path的子路径
label_delim:str=None,
valid_pct:float=0.2, seed:int=None, # 用于划分train和valid数据集的比例参数，以及随机种子
fn_col:IntsOrStrs=0, label_col:IntsOrStrs=1, # 数据文件和标签的列
suffix:str='', # 文件ID是否需要添加后缀
**kwargs:Any)->'ImageDataBunch'

对于MNIST_SAMPLE数据：

df = pd.read_csv(path/'labels.csv', header='infer')
data = ImageDataBunch.from_df(path, df=df)

其中labels.csv可能会包含表头，所以会使用header='infer'来做自动处理。如果labels.csv中记录的文件路径和path之间仍有子路径，则可通过folder参数进行设置。如果labels.csv中记录的文件路径没有后缀，则可通过suffix参数指定。如：图像数据以jpg格式存储在/home/user/data/train/路径下，设置path="/home/user/data"，另外labels.csv中的文件路径为：img_1、img_2……，则可设置：folder="train"，suffix=".jpg"。

4. 使用csv文件提供数据标签：from_csv()工厂类方法

from_csv()是基于from_df()函数实现的，其函数签名如下：

@classmethod
def from_csv(cls,
path:PathOrStr, # 数据目录
folder:PathOrStr=None, 
label_delim:str=None, 
csv_labels:PathOrStr='labels.csv', # csv文件名
valid_pct:float=0.2, seed:int=None,
fn_col:int=0, label_col:int=1,
suffix:str='', delimiter:str=None, 
header:Optional[Union[int,str]]='infer',
**kwargs:Any)->'ImageDataBunch'

其中csv文件应位于path路径下，如果csv文件的名称为labels.csv，则可省略csv参数；csv文件中指定的数据，应位于path/folder路径下。

对于MNIST_SAMPLE数据：

data = ImageDataBunch.from_csv(path, size=24)
5. 使用文件名提取数据标签：from_name_func()工厂类方法

from_name_func()函数的签名如下：

@classmethod
def from_name_func(cls,
path:PathOrStr,         # 数据文件路径
fnames:FilePathList,    # 数据文件列表
label_func:Callable,    # 从文件名中提取标签的函数
valid_pct:float=0.2,
seed:int=None,**kwargs)

注意，函数将依据fnames中存储的文件路径fname来查找文件，而不是以path/fname为路径。 对于MNIST_SAMPLE数据，其数据文件路径形为：

'/home/user/.fastai/data/mnist_sample/train/3/7463.png'
'/home/user/.fastai/data/mnist_sample/train/7/3087.png'

故可通过检查\3\或\7\是否在路径中来判断文件类别：

df = pd.read_csv(path/'labels.csv', header='infer')
fnames = [path/file for file in df["name"]]
def get_labels(file_path):
return '3' if '/3/' in str(file_path) else '7'
data = ImageDataBunch.from_name_func(path, fnames, label_func=get_labels, size=24)
6. 使用正则表达式提取数据标签：from_name_re()工厂类方法

from_name_re()是基于from_name_func()实现的，其函数签名为：

def from_name_re(cls,
path:PathOrStr,
fnames:FilePathList,
pat:str,                # 正则表达式
valid_pct:float=0.2,
**kwargs)

对于MNIST_SAMPLE数据，可通过提取数据文件所在的文件夹名称(即"3"或者"7")来指定文件标签：

pat = r"/(\d)/\d+\.png$"
data = ImageDataBunch.from_name_re(path, fn_paths, pat=pat, size=24)
7. 使用列表提供数据标签：from_list()工厂类方法

from_list()的函数签名为：

@classmethod
def from_lists(cls,
path:PathOrStr,
fnames:FilePathList,    # 文件名称列表
labels:Collection[str], # 标签列表
valid_pct:float=0.2, seed:int=None,
item_cls:Callable=None, **kwargs)

对于MNIST_SAMPLE数据：

df = pd.read_csv(path/'labels.csv', header='infer')
fn_paths = [path/file for file in df["name"]]
def get_labels(file_path):
return '3' if '/3/' in str(file_path) else '7'
labels_ls = list(map(get_labels, fn_paths))
data = data = ImageDataBunch.from_lists(path, fn_paths, labels=labels_ls, size=24)

Fast AI提供了一套整合数据文件与标签文件的数据类型和API，上述6种工厂类方法均是在其基础上进行构建的。而这些数据类型和API也提供了足够的灵活性，可在这6种工厂类方法不能覆盖的应用情景下(如想要通过文件夹区分训练集和验证集，而通过csv文件提供数据标签)，方便地构建出所需的数据集和标签集。这部分内容将在下一博客中进行阐述。

一些有用的链接

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/196033.html原文链接：https://javaforall.cn

相关文章