本文将原始的numpy array数据在pytorch下封装为Dataset类的数据集，为后续深度网络训练提供数据。
加载并保存图像信息
首先导入需要的库，定义各种路径。
import os import matplotlib from keras.datasets import mnist import numpy as np from torch.utils.data.dataset import Dataset from PIL import Image import scipy.misc root_path = 'E:/coding_ex/pytorch/AlexNet/data/' base_path = 'baseset/' training_path = 'trainingset/' test_path = 'testset/'
这里将数据集分为三类，baseset为所有数据（trainingset+testset），trainingset是训练集，testset是测试集。直接通过keras.dataset加载mnist数据集，不能自动下载的话可以手动下载.npz并保存至相应目录下。
def LoadData(root_path,base_path,training_path,test_path):
(x_train,y_train),(x_test,y_test) = mnist.load_data()
x_baseset = np.concatenate((x_train,x_test))
y_baseset = np.concatenate((y_train,y_test))
train_num = len(x_train)
test_num = len(x_test)
#baseset
file_img = open((os.path.join(root_path,base_path)+'baseset_img.txt'),'w')
file_label = open((os.path.join(root_path,base_path)+'baseset_label.txt'),'w')
for i in range(train_num + test_num):
file_img.write(root_path + base_path + 'img/' + str(i) + '.png\n') #name
file_label.write(str(y_baseset[i])+'\n') #label
# scipy.misc.imsave(root_path + base_path + '/img/'+str(i) + '.png',x_baseset[i])
matplotlib.image.imsave(root_path + base_path + 'img/'+str(i) + '.png',x_baseset[i])
file_img.close()
file_label.close()
#trainingset
file_img = open((os.path.join(root_path,training_path)+'trainingset_img.txt'),training_path)+'trainingset_label.txt'),'w')
for i in range(train_num):
file_img.write(root_path + training_path + 'img/' + str(i) + '.png\n') #name
file_label.write(str(y_train[i])+'\n') #label
# scipy.misc.imsave(root_path + training_path + '/img/'+str(i) + '.png',x_train[i])
matplotlib.image.imsave(root_path + training_path + 'img/'+str(i) + '.png',x_train[i])
file_img.close()
file_label.close()
#testset
file_img = open((os.path.join(root_path,test_path)+'testset_img.txt'),test_path)+'testset_label.txt'),'w')
for i in range(test_num):
file_img.write(root_path + test_path + 'img/' + str(i) + '.png\n') #name
file_label.write(str(y_test[i])+'\n') #label
# scipy.misc.imsave(root_path + test_path + '/img/'+str(i) + '.png',x_test[i])
matplotlib.image.imsave(root_path + test_path + 'img/'+str(i) + '.png',x_test[i])
file_img.close()
file_label.close()
使用这段代码时，需要建立相应的文件夹及.txt文件，./data文件夹结构如下：
/img文件夹
由于mnist数据集其实是灰度图，这里用matplotlib保存的图像是伪彩色图像。
如果用scipy.misc.imsave的话保存的则是灰度图像。
xxx_img.txt文件
xxx_img.txt文件中存放的是每张图像的名字
xxx_label.txt文件
这里记得保存的时候一行为一个图像信息，便于后续读取。
定义自己的Dataset类
pytorch训练数据时需要数据集为Dataset类，便于迭代等等，这里将加载保存之后的数据封装成Dataset类，继承该类需要写初始化方法（__init__），获取指定下标数据的方法__getitem__），获取数据个数的方法（__len__）。这里尤其需要注意的是要把label转为LongTensor类型的。
class DataProcessingMnist(Dataset):
def __init__(self,root_path,imgfile_path,labelfile_path,imgdata_path,transform = None):
self.root_path = root_path
self.transform = transform
self.imagedata_path = imgdata_path
img_file = open((root_path + imgfile_path),'r')
self.image_name = [x.strip() for x in img_file]
img_file.close()
label_file = open((root_path + labelfile_path),'r')
label = [int(x.strip()) for x in label_file]
label_file.close()
self.label = torch.LongTensor(label)#这句很重要，一定要把label转为LongTensor类型的
def __getitem__(self,idx):
image = Image.open(str(self.image_name[idx]))
image = image.convert('RGB')
if self.transform is not None:
image = self.transform(image)
label = self.label[idx]
return image,label
def __len__(self):
return len(self.image_name)
定义完自己的类之后可以测试一下。
LoadData(root_path,test_path) training_imgfile = training_path + 'trainingset_img.txt' training_labelfile = training_path + 'trainingset_label.txt' training_imgdata = training_path + 'img/' #实例化一个类 dataset = DataProcessingMnist(root_path,training_imgfile,training_labelfile,training_imgdata)
得到图像名称
name = dataset.image_name
print(name[0]) >>>'E:/coding_ex/pytorch/AlexNet/data/trainingset/img/0.png'
如果定义类的时候self.image_name = [x.strip() for x in img_file]这句没有strip掉，则输出的值将为'E:/coding_ex/pytorch/AlexNet/data/trainingset/img/0.png\n'
获取固定下标的图像
im,label = dataset.__getitem__(0)
得到结果
以上这篇pytorch实现建立自己的数据集(以mnist为例)就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我们。