在3.5节我们利用PyTorch的torchvision、data等包，下载及预处理MNIST数据集。数据下载和预处理是机器学习、深度学习实际项目中耗时又重要的任务，尤其是数据预处理，关系到数据质量和模型性能，往往要占据项目的大部分时间。好在PyTorch为此提供了专门的数据下载、数据处理包，使用这些包，可极大提高我们的开发效率及数据质量。
本章将介绍以下内容：
简单介绍PyTorch相关的数据处理工具箱
utils.data简介
torchvision简介
TensorBoard简介及实例
4.1 数据处理工具箱概述
通过第3章，读者应该对torchvision、data等数据处理包有了初步的认识，但可能理解还不够深入，接下来我们将详细介绍。PyTorch涉及数据处理（数据装载、数据预处理、数据增强等）主要工具包及相互关系如图4-1所示。
图4-1 PyTorch主要数据处理工具
图4-1 的左边是torch.utils.data工具包，它包括以下4个类：
1) Dataset：是一个抽象类，其他数据集需要继承这个类，并且覆写其中的两个方法(__getitem__、__len__)。
2) DataLoader：定义一个新的迭代器，实现批量（batch）读取，打乱数据（shuffle）并提供并行加速等功能。
3) random_split：把数据集随机拆分为给定长度的非重叠新数据集。
4) *sampler：多种采样函数。
图4-1中间是PyTorch可视化处理工具（torchvision），它是PyTorch的一个视觉处理工具包，独立于PyTorch，需要另外安装，使用pip或conda安装即可：
pip install torchvision #或conda install torchvision它包括4个类，各类的主要功能如下。
1) 1.datasets:提供常用的数据集加载，设计上都是继承torch.utils.data.Dataset，主要包括MMIST、CIFAR10/100、ImageNet、COCO等。
2) 2.models:提供深度学习中各种经典的网络结构以及训练好的模型(如果选择pretrained=True)，包括AlexNet, VGG系列、ResNet系列、Inception系列等。
3) 3.transforms:常用的数据预处理操作，主要包括对Tensor及PIL Image对象的操作。
4) 4.utils:含两个函数，一个是make_grid，它能将多张图像拼接在一个网格中；另一个是save_img，它能将Tensor保存成图像。
4.2 utils.data简介
utils.data包括Dataset和DataLoader。torch.utils.data.Dataset为抽象类。自定义数据集需要继承这个类，并实现两个函数，即__len__和__getitem__。前者提供数据的大小(size)，后者通过给定索引获取数据和标签或一个样本。 __getitem__一次只能获取一个样本，所以通过torch.utils.data.DataLoader来定义一个新的迭代器，实现batch读取。首先我们来定义一个简单的数据集，然后具体使用Dataset及DataLoader，给读者一个直观的认识。 1）导入需要的模块。
import torch
from torch.utils import data
import numpy as np 2）定义获取数据集的类。
该类继承基类Dataset，自定义一个数据集及对应标签。
class TestDataset(data.Dataset):#继承Dataset
def __init__(self):
self.Data=np.asarray([[1,2],[3,4],[2,1],[3,4],[4,5]])#一些由2维向量表示的数据集
self.Label=np.asarray([0,1,0,1,2])#这是数据集对应的标签
def __getitem__(self, index):
#把numpy转换为Tensor
txt=torch.from_numpy(self.Data[index])
label=torch.tensor(self.Label[index])
return txt,label
def __len__(self):
return len(self.Data)3）获取数据集中数据。
Test=TestDataset()
print(Test[2]) #相当于调用__getitem__(2)
print(Test.__len__())
#輸出：
#(tensor([2, 1]), tensor(0))
#5以上数据以元组格式返回，每次只返回一个样本。实际上，Dateset只负责数据的抽取，一次调用__getitem__只返回一个样本。如果希望批量处理（batch），同时还要进行shuffle和并行加速等操作，可选择DataLoader。DataLoader的格式为：
data.DataLoader(
dataset,
batch_size=1,
shuffle=False,
sampler=None,
batch_sampler=None,
num_workers=0,
collate_fn=,
pin_memory=False,
drop_last=False,
timeout=0,
worker_init_fn=None,
) 主要参数说明如下。
dataset: 加载的数据集。
batch_size: 批大小。
shuffle：是否将数据打乱。
sampler：样本抽样。
num_workers：使用多进程加载的进程数，0代表不使用多进程。
collate_fn：如何将多个样本数据拼接成一个batch，一般使用默认的拼接方式即可。
pin_memory：是否将数据保存在锁页内存（pin memory区，pin memory中的数据转到GPU会快一些。
drop_last：dataset 中的数据个数可能不是 batch_size的整数倍，drop_last为True会将多出来不足一个batch的数据丢弃。
使用函数DataLoader加载数据。
test_loader = data.DataLoader(Test,batch_size=2,shuffle=False,num_workers=2)
for i,traindata in enumerate(test_loader):
print('i:',i)
Data,Label=traindata
print('data:',Data)
print('Label:',Label) 运行结果如下：
i: 0
data: tensor([[1, 2],
[3, 4]])
Label: tensor([0, 1])
i: 1
data: tensor([[2, 1],
[3, 4]])
Label: tensor([0, 1])
i: 2
data: tensor([[4, 5]])
Label: tensor([2])
从这个结果可以看出，这是批量读取。我们可以像使用迭代器一样使用它,如对它进行循环操作。不过它不是迭代器，我们可以通过iter命令转换为迭代器。
dataiter=iter(test_loader)
imgs,labels=next(dataiter)一般用data.Dataset处理同一个目录下的数据。如果数据在不同目录下，不同目录代表不同类别（这种情况比较普遍），使用data.Dataset来处理就不很方便。不过，可以使用PyTorch提供的另一种可视化数据处理工具（即torchvision）就非常方便，不但可以自动获取标签，还提供很多数据预处理、数据增强等转换函数。
4.3 torchvision简介
torchvision有4个功能模块，model、datasets、transforms和utils。其中model后续章节将介绍，利用datasets下载一些经典数据集，3.5小节有实例，读者可以参考一下。本节主要介绍如何使用datasets的ImageFolder处理自定义数据集，如何使用transforms对源数据进行预处理、增强等。下面重点介绍transforms及ImageFolder。
4.3.1 transforms
transforms提供了对PIL Image对象和Tensor对象的常用操作。
1）对PIL Image的常见操作如下。
Scale/Resize: 调整尺寸，长宽比保持不变。
CenterCrop、RandomCrop、RandomSizedCrop：裁剪图像，CenterCrop和RandomCrop在crop时是固定size，RandomResizedCrop则是random size的crop。
Pad: 填充。
ToTensor: 把一个取值范围是[0,255]的PIL.Image 转换成 Tensor。形状为(H,W,C)的numpy.ndarray，转换成形状为[C,H,W]，取值范围是[0,1.0]的torch.FloatTensor。
RandomHorizontalFlip:图像随机水平翻转，翻转概率为0.5。
RandomVerticalFlip: 图像随机垂直翻转。
ColorJitter: 修改亮度、对比度和饱和度。
2）对Tensor的常见操作如下。
Normalize: 标准化，即减均值，除以标准差。
ToPILImage:将Tensor转为PIL Image。
如果要对数据集进行多个操作，可通过Compose将这些操作像管道一样拼接起来，类似于nn.Sequential。以下为示例代码。
transforms.Compose([
#将给定的 PIL.Image 进行中心切割，得到给定的 size，
#size 可以是 tuple，(target_height, target_width)。
#size 也可以是一个 Integer，在这种情况下，切出来的图像形状是正方形。
transforms.CenterCrop(10),
#切割中心点的位置随机选取
transforms.RandomCrop(20, padding=0),
#把一个取值范围是 [0, 255] 的 PIL.Image 或者 shape 为 (H, W, C) 的 numpy.ndarray，
#转换为形状为 (C, H, W)，取值范围是 [0, 1] 的 torch.FloatTensor
transforms.ToTensor(),
#规范化到[-1,1]
transforms.Normalize(mean = (0.5, 0.5, 0.5), std = (0.5, 0.5, 0.5))
]) 还可以自己定义一个python lambda表达式，如将每个像素值加10，可表示为：transforms.Lambda(lambda x: x.add(10))。
更多内容可参考官网，地址为https://pytorch.org/docs/stable/torchvision/transforms.html。
4.3.2 ImageFolder
当文件依据标签处于不同文件下时，如：
─── data
├── zhangliu
│ ├── 001.jpg
│ └── 002.jpg
├── wuhua
│ ├── 001.jpg
│ └── 002.jpg
.................我们可以利用 torchvision.datasets.ImageFolder 来直接构造出 dataset，代码如下：
loader = datasets.ImageFolder(path)
loader = data.DataLoader(dataset) ImageFolder 会将目录中的文件夹名自动转化成序列，那么DataLoader载入时，标签自动就是整数序列了。
下面我们利用ImageFolder读取不同目录下图像数据，然后使用transorms进行图像预处理，预处理有多个，我们用compose把这些操作拼接在一起。然后使用DataLoader加载。
将处理后的数据用torchvision.utils中的save_image保存为一个png格式文件，然后用Image.open打开该png文件，详细代码如下：
from torchvision import transforms, utils
from torchvision import datasets
import torch
import matplotlib.pyplot as plt
%matplotlib inline
my_trans=transforms.Compose([
transforms.RandomResizedCrop(224),
transforms.RandomHorizontalFlip(),
transforms.ToTensor()
])
train_data = datasets.ImageFolder('../data/torchvision_data', transform=my_trans)
train_loader = data.DataLoader(train_data,batch_size=8,shuffle=True,)
for i_batch, img in enumerate(train_loader):
if i_batch == 0:
print(img[1])
fig = plt.figure()
grid = utils.make_grid(img[0])
plt.imshow(grid.numpy().transpose((1, 2, 0)))
plt.show()
utils.save_image(grid,'test01.png')
break 运行结果如下，结果如图4-2所示。
tensor([2, 2, 0, 0, 0, 1, 2, 2])
图4-2 make_grid拼接在一起的图形
打开test01.png文件：
from PIL import Image
Image.open('test01.png')运行结果如图4-3所示。
图4-3 用Image查看png文件
