Fastai-数据准备
Fastai數據準備
簡介
數據是深度學習的立足之本，本文主要介紹Fastai框架如何進行數據加載與數據預處理。
模塊劃分
在之前的Fastai簡介文章我提到過，Fastai最核心的API是按照應用領域（任務類型）進行劃分的，打開官方文檔也會看到Fastai最核心的思路：在一個DataBunch（Fastai的數據加載器）上訓練一個Model對象，是非常簡單的，只需要將數據和模型綁定到一個Learner對象即可。
在Fastai的設計中，主要有四大應用領域，對應的四個模塊名為collab（協同過濾問題）、tabular（表格或者結構化數據問題）、text（自然語言處理問題）以及vision（計算機視覺問題）。**本系列所有文章圍繞都是圖像數據進行處理，也就是說主要使用vision模塊。**本系列所有文章圍繞都是圖像數據進行處理，也就是說主要使用vision模塊。
而在vision模塊中，主要有如下幾個模塊：data（數據集構建）、models（預定義模型結構，依賴torchvision）、learner（學習器，將模型和數據關聯起來，定義了大量回調函數）、transform（數據預處理，包括常見數據增廣手段）等。
數據集構建
為了契合Fastai的API設計，這里并沒有像之前Pytorch系列和Keras系列那樣重構數據集為三個文件夾（對應訓練集、驗證集和測試集），這是考慮到Fastai的自動訓練集劃分的API的介紹，事實上劃分數據集文件夾也是可以的，只不過多幾個DataBunch對象而已。
關于數據集讀取的API都在fastai.vision.data模塊下，該模塊定義了一個類ImageDataBunch用于處理大量的Image對象，這里的Image對象也是由fastai.vision.data模塊下定義的一種Image類，它包含一個圖片的矩陣表示、路徑、維度、尺寸等屬性，也包含圖像顯示、旋轉、縮放、變換等。此外，Fastai依舊定義了不少具體視覺任務的類如用于圖像分割的ImageSegment、用于檢測的ImageBBox、用于關鍵點定位的ImagePoints等。
在Fastai中數據集的處理都是基于DataBunch類的，ImageDataBunch是其子類，封裝了很多具體的適合計算機視覺使用的方法。而在Fastai中數據的導入一般通過data_block API實現，不過，對于常見的CV數據集格式，ImageDataBunch已經做了封裝，無需進行繁瑣的API編寫。這些函數用于從固定格式的文件中獲取圖像數據，返回的也是ImageDataBunch對象，具體如下。
Folder（文件夾）
ImageDataBunch.from_folder(path:PathOrStr, # 數據集根目錄train:PathOrStr='train', # 訓練集子目錄valid:PathOrStr='valid', # 驗證集子目錄test:Union[Path, str, NoneType]=None, # 測試集子目錄valid_pct=None, # 驗證集劃分比例seed:int=None, # 驗證集隨機劃分種子classes:Collection[T_co]=None, # 加載哪些類 **kwargs:Any)從Imagenet風格的數據集內加載圖像，文件存儲必須是如下格式，其中train、valid和test參數指定對應數據集的子文件夾名，如訓練集為tra文件夾那么則需要指定train='tra'。
path\train\class1\class2\...valid\class1\class2\...test\當然，如果數據集是本文案例的Caltech101的格式（下面所示），那么只需要簡單指定valid_pct作為劃分訓練集和驗證集時驗證集占整個數據集的比例即可，seed參數指定隨機劃分種子，便于復現結果。
path\class1\class2\class3\執行下面的代碼。
from fastai import visiondata = vision.ImageDataBunch.from_folder("../data/101_ObjectCategories/", valid_pct=0.2, size=224) print(data) train_ds = data.train_ds # 取出訓練集 valid_ds = data.valid_ds # 取出測試集結果如下，生成了訓練集和驗證集（包括數據列表和類別列表）。
ImageDataBunch;Train: LabelList (6942 items) x: ImageList Image (3, 224, 224),Image (3, 224, 224),Image (3, 224, 224),Image (3, 224, 224),Image (3, 224, 224) y: CategoryList accordion,accordion,accordion,accordion,accordion Path: ..\data\101_ObjectCategories;Valid: LabelList (1735 items) x: ImageList Image (3, 224, 224),Image (3, 224, 224),Image (3, 224, 224),Image (3, 224, 224),Image (3, 224, 224) y: CategoryList dollar_bill,umbrella,Motorbikes,pigeon,nautilus Path: ..\data\101_ObjectCategories;Test: None上面的代碼在參數中加入了size參數，該參數表示將圖像的寬度和高度調整為指定尺寸，并且指定df_tfms可以自定義預處理方法。而且，通過屬性獲取的操作得到了具體的訓練集和驗證集，這會得到一個LabelList對象，對其索引可以得到圖像和標簽，如img, label = train_ds[0]，其中img就是一個Fastai的Image對象。
DataFrame（表格說明文件）
ImageDataBunch.from_folder(path:PathOrStr, # 數據集根目錄df:DataFrame, # 包含文件路徑和標簽的DataFramefolder:PathOrStr=None, # 相對于Path的數據存放的子目錄label_delim:str=None, # 標簽分隔符valid_pct:float=0.2, seed:int=None, fn_col:IntsOrStrs=0, # 文件名列的名稱或者索引號label_col:IntsOrStrs=1, # 標簽列的名稱或者索引號suffix:str='', # 添加的文件名后綴**kwargs:Any)通過DataFrame獲取整個數據集信息，大多數參數同上一節（下文不再說明）。
其針對的數據格式一般如下
path\data\description.csvCSV（表格說明文件）
ImageDataBunch.from_csv(path:PathOrStr, folder:PathOrStr=None, label_delim:str=None, csv_labels:PathOrStr='labels.csv', # 如果有單獨的標簽CSV文件可以這樣指定valid_pct:float=0.2, seed:int=None, fn_col:int=0, label_col:int=1, suffix:str='', delimiter:str=None, header:Union[int, str, NoneType]='infer', **kwargs:Any)直接從CSV文件中讀取數據集，省去讀取為DataFrame的步驟。
文件名
很多數據集存儲方式是不同的，有些數據集的標簽就存放在文件名中，下面定義的三個方法用于從文件名中提取出標簽。
ImageDataBunch.from_name_re(path:PathOrStr, # 文件所在路徑fnames:FilePathList, 文件名列表pat:str, # 匹配模式valid_pct:float=0.2, # 同上 **kwargs)從文件名中按照正則表達式提取標簽。
ImageDataBunch.from_name_func(path:PathOrStr, fnames:FilePathList, label_func:Callable, # 標簽提取函數valid_pct:float=0.2, seed:int=None, **kwargs)根據指定的標簽提取函數（自行定義）來從文件名中提取標簽。
ImageDataBunch.from_lists(path:PathOrStr, fnames:FilePathList, labels:StrList, # 標簽列表valid_pct:float=0.2, seed:int=None, item_cls:Callable=None, **kwargs)需要傳入一個和fnames同等大小的列表，依次為每個文件指定標簽。
數據增強
上一節介紹了構建Fastai中數據集導入部分最為核心的DataBunch的幾種常見方法，它就是輸入模型的數據了。但是，在輸入模型數據之前我們往往會對圖像數據進行各種變換，稱為數據增強（Data Augmentation）。數據增強本質上其實就是一種正則化，不過發生在數據層面而已。
Transform類
Fastai定義了大量的圖像變換函數，通過實例化這些函數對象可以直接對圖像數據進行操作。但是這些基礎的變換函數都是以_開頭的函數如_brightness(x, change)表示改變圖像的亮度函數，注意是個函數。但是實際進行數據增強的時候往往要增加一些隨機性（如隨機進行翻轉），所以Fastai提供了一個對這些變換進行封裝的類fastai.vision.image.Transform。該類提供共有的特性如變換函數優先級等，這些封裝好的變換都在fastai.vision.transform模塊下，是不以_開頭的一系列對象（由Transform的子類實例化） ，注意是對象，同時，所有這類封裝都相比于原函數多了一個參數p，表示以概率p進行變換，如果p是區間則從區間內隨機選擇作為概率。可以通過該對象的call方法對圖像數據進行處理，如使用brightness(x, change)。
圖像變換
下面描述具體的圖像變換手段，主要介紹的都是圖像變換對象，變換函數只是少了概率參數p而已。
brightness(x, change:uniform)對圖像進行亮度調整，按照change的數值進行，其值為1表示圖像為白色，為0表示黑色，為0.5表示無變化，可在0與1之間調整。
contrast(x, scale:log_uniform)對圖像進行對比度調整，sacle表示調整量，當其值為0會將圖片轉為灰度圖，其值為1不調整對比度，大于1會增大對比度。
crop(x, size, row_pct:uniform=0.5, col_pct:uniform=0.5)對圖像進行裁減，按照中心位置(row_pct, col_pct)把圖像裁減一個大小為size的patch，這兩個位置值以歸一化格式表示。
crop_pad(x, size, padding_mode='reflection', row_pct:uniform=0.5, col_pct:uniform=0.5)和crop類似，不過當裁減圖像大于原始圖像，會自動進行填充，填充方法為’zeros’, ‘border’或者’reflection’。
dihedral(x, k:partial(uniform_int, 0, 7))進行圖像翻轉并伴有一個k*90度的旋轉。
dihedral_affine(k:partial(uniform_int, 0, 7))效果同上，返回的類型不同，當目標是ImageBBox或者ImagePoints時使用。
flip_lr(x)水平鏡像翻轉圖片。
flip_affine()同上面的以_affine為結尾的含義。
jitter(c, magnitude:uniform)鄰域像素替換，鄰域范圍由magnitude參數指定。
pad(x, padding:int, mode='reflection')圖像填充，填充模式三種：zeros（0填充）、border（邊角填充）以及默認的reflection（反射填充）。
perspective_warp(c, magnitude:partial(uniform, size=8)=0, invert=False)透視變換，magnitude是8元組參數，表示四個角歸一化坐標的變換幅度。
Image.resize(self, size:Union[int,TensorImageSize])引用自Torch的圖像縮放，size為整數（正方形）或者(3,H,W)格式。
rotate(degrees:uniform)圖像旋轉，指定角度即可。
rgb_randomize(x, channel:int=None, thresh:float=0.3)隨機化RGB的某一通道，可以設置最大閾值。
skew(c, direction:uniform_int, magnitude:uniform=0, invert=False)圖像扭曲，可以指定方向和幅度。
squish(scale:uniform=1.0, row_pct:uniform=0.5, col_pct:uniform=0.5)圖像拉伸，scale<1為橫向拉伸，scale>1為縱向拉伸。
symmetric_warp(c, magnitude:partial(uniform, size=4)=0, invert=False)指定的透視變換。
tilt(c, direction:uniform_int, magnitude:uniform=0, invert=False)傾斜。
zoom(scale:uniform=1.0, row_pct:uniform=0.5, col_pct:uniform=0.5)等比例縮放。
cutout(x, n_holes:uniform_int=1, length:uniform_int=40)孔洞產生。
get_transforms()
該函數封裝在fastai.vision.transform模塊下，返回兩個變換列表（每個列表包含一系列變換），用于訓練集和驗證集。
get_transforms(do_flip:bool=True, flip_vert:bool=False, max_rotate:float=10.0, max_zoom:float=1.1, max_lighting:float=0.2, max_warp:float=0.2, p_affine:float=0.75, p_lighting:float=0.75, xtra_tfms:Optional[Collection[Transform]]=None)該函數可以很方便地返回大量需要的變換用于數據集的載入，如使用下述代碼構建用于隨機翻轉變換的數據集。
from fastai.vision import transform, open_image, data tfms = transform.get_transforms(do_flip=True) data = data.ImageDataBunch.from_folder("../data/101_ObjectCategories/", valid_pct=0.2, size=224, ds_tfms=tfms) train_ds, valid_ds = data.train_ds, data.valid_ds補充說明
本文依據最新的官方文檔講解了Fastai中數據讀入以及數據增強（文檔）的相關知識，具體代碼開源于我的Github，歡迎star或者fork。
總結
以上是生活随笔為你收集整理的Fastai-数据准备的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Keras-数据准备
- 下一篇： Fastai-学习器训练