PyTorch è un framework di deep learning che consente agli utenti di creare/costruire e addestrare reti neurali. Un set di dati è una struttura di dati che contiene un set/raccolta di campioni ed etichette di dati. Fornisce un modo per accedere ai dati nel loro insieme o utilizzare operazioni di indicizzazione e suddivisione. Inoltre, un set di dati può anche applicare trasformazioni ai dati, come ritaglio, ridimensionamento, ecc. Gli utenti possono facilmente iterare e visualizzare il set di dati in PyTorch.
Questo articolo illustrerà il metodo per iterare e visualizzare un set di dati specifico utilizzando PyTorch.
Come iterare e visualizzare il set di dati utilizzando PyTorch?
Per ripetere e visualizzare un particolare set di dati utilizzando PyTorch, seguire i passaggi forniti:
Passaggio 1: importa la libreria necessaria
Innanzitutto, importa le librerie richieste. Ad esempio, abbiamo importato le seguenti librerie:
torcia di importazione
dal set di dati di importazione torch.utils.data
dai set di dati di importazione di torchvision
da torchvision.transforms importa ToTensor
importa matplotlib.pyplot COME plt
Qui:
-
- “ torcia di importazione ' importa la libreria PyTorch.
- “ dal set di dati di importazione torch.utils.data ' importa la classe 'Dataset' dal modulo 'torch.utils.data' di PyTorch per creare set di dati personalizzati in PyTorch.
- “ dai set di dati di importazione di torchvision ' importa il modulo 'set di dati' dalla libreria 'torchvision' che fornisce set di dati predefiniti per attività di visione artificiale.
- “ da torchvision.transforms importa ToTensor ' importa la trasformazione 'ToTensor' da 'torchvision.transforms' per convertire immagini PIL o array NumPy in tensori PyTorch.
- “ importa matplotlib.pyplot come plt ' importa la libreria matplotlib per la visualizzazione dei dati:
Passaggio 2: caricare il set di dati
Ora caricheremo il set di dati FashionMNIST da torchvision sia per scopi di formazione che di test con i seguenti parametri:
tr_data = datasets.FashionMNIST ( radice = 'dati' , treno =Vero, scaricamento =Vero, trasformare =Al Tensore ( ))
ts_data = set di dati.FashionMNIST ( radice = 'dati' , treno =Falso, scaricamento =Vero, trasformare =Al Tensore ( )
)
Qui:
-
- “ FashionMNIST ' carica il set di dati FashionMNIST dalla libreria torchvision.
- “ radice=”dati” ' specifica la directory in cui il set di dati verrà archiviato o caricato se esiste già. Nel nostro caso, è la directory “data”.
- “ treno ' indica il set di dati di training o test.
- “ scarica=Vero ' scarica il set di dati se non è già presente.
- “ trasformazione=AlTensore() ' applica la trasformazione ToTensor per convertire le immagini nel set di dati in tensori PyTorch:
Passaggio 3: etichettare le classi nel set di dati
Successivamente, crea un dizionario che associ gli indici delle classi alle etichette delle classi corrispondenti nel set di dati FashionMNIST. Fornisce etichette leggibili dall'uomo per ogni classe. Qui, abbiamo creato il ' etichetta_mappata ' dizionario e lo useremo per convertire gli indici di classe nelle etichette di classe corrispondenti:
etichetta_mappata = {0 : 'Maglietta' ,
1 : 'Pantaloni' ,
2 : 'Maglione' ,
3 : 'Vestito' ,
4 : 'Cappotto' ,
5 : 'Sandalo' ,
6 : 'Camicia' ,
7 : 'Scarpe da ginnastica' ,
8 : 'Borsa' ,
9 : 'Stivaletto' ,
}
Passaggio 4: Visualizza il set di dati
Infine, visualizza gli esempi nei dati di training utilizzando la libreria “matplotlib”:
fig = plt.figura ( figsize = ( 8 , 8 ) )col , riga = 3 , 3
per io In allineare ( 1 , col * riga + 1 ) :
indice_campione = torcia.randint ( soltanto ( tr_date ) , misurare = ( 1 , ) ) .articolo ( )
img, etichetta = tr_data [ indice_campione ]
fig.add_subplot ( riga, col , io )
plt.titolo ( etichetta_mappata [ etichetta ] )
asse plt ( 'spento' )
plt.imshow ( img.squeeze ( ) , cmap = 'grigio' )
plt.mostra ( )
Nota : puoi accedere al nostro Google Colab Notebook da qui collegamento .
Si trattava di iterare e visualizzare il set di dati desiderato utilizzando PyTorch.
Conclusione
Per iterare e visualizzare un particolare set di dati utilizzando PyTorch, importa innanzitutto le librerie necessarie. Quindi, carica il set di dati desiderato per l'addestramento e il test con i parametri richiesti. Successivamente, etichetta le classi nel set di dati e visualizza gli esempi nei dati di addestramento utilizzando la libreria 'matplotlib'. Questo articolo ha illustrato il metodo per iterare e visualizzare un set di dati specifico utilizzando PyTorch.