MindSpore数据格式转换
概述
用户可以将非标准的数据集和常用的数据集转换为MindSpore数据格式,即MindRecord,从而方便地加载到MindSpore中进行训练。同时,MindSpore在部分场景做了性能优化,使用MindRecord可以获得更好的性能。
非标准数据集转换MindRecord
下面主要介绍如何将CV类数据和NLP类数据转换为MindRecord,并通过MindDataset
实现MindRecord文件的读取。
转换CV类数据集
本示例主要介绍用户如何将自己的CV类数据集转换成MindRecord,并使用MindDataset
读取。
本示例首先创建一个包含100条记录的MindRecord文件,其样本包含file_name
(字符串)、
label
(整型)、 data
(二进制)三个字段,然后使用MindDataset
读取该MindRecord文件。
导入相关模块。
from io import BytesIO import os import mindspore.dataset as ds from mindspore.mindrecord import FileWriter import mindspore.dataset.vision.c_transforms as vision from PIL import Image
生成100张图像,并转换成MindRecord。
MINDRECORD_FILE = "test.mindrecord" if os.path.exists(MINDRECORD_FILE): os.remove(MINDRECORD_FILE) os.remove(MINDRECORD_FILE + ".db") writer = FileWriter(file_name=MINDRECORD_FILE, shard_num=1) cv_schema = {"file_name": {"type": "string"}, "label": {"type": "int32"}, "data": {"type": "bytes"}} writer.add_schema(cv_schema, "it is a cv dataset") writer.add_index(["file_name", "label"]) data = [] for i in range(100): i += 1 sample = {} white_io = BytesIO() Image.new('RGB', (i*10, i*10), (255, 255, 255)).save(white_io, 'JPEG') image_bytes = white_io.getvalue() sample['file_name'] = str(i) + ".jpg" sample['label'] = i sample['data'] = white_io.getvalue() data.append(sample) if i % 10 == 0: writer.write_raw_data(data) data = [] if data: writer.write_raw_data(data) writer.commit()
参数说明:
MINDRECORD_FILE
:输出的MindRecord文件路径。
通过
MindDataset
读取MindRecord。data_set = ds.MindDataset(dataset_file=MINDRECORD_FILE) decode_op = vision.Decode() data_set = data_set.map(operations=decode_op, input_columns=["data"], num_parallel_workers=2) count = 0 for item in data_set.create_dict_iterator(output_numpy=True): count += 1 print("Got {} samples".format(count))
转换NLP类数据集
本示例主要介绍用户如何将自己的NLP类数据集转换成MindRecord,并使用MindDataset
读取。为了方便展示,此处略去了将文本转换成字典序的预处理过程。
本示例首先创建一个包含100条记录的MindRecord文件,其样本包含八个字段,均为整型数组,然后使用MindDataset
读取该MindRecord文件。
导入相关模块。
import os import numpy as np import mindspore.dataset as ds from mindspore.mindrecord import FileWriter
生成100条文本数据,并转换成MindRecord。
MINDRECORD_FILE = "test.mindrecord" if os.path.exists(MINDRECORD_FILE): os.remove(MINDRECORD_FILE) os.remove(MINDRECORD_FILE + ".db") writer = FileWriter(file_name=MINDRECORD_FILE, shard_num=1) nlp_schema = {"source_sos_ids": {"type": "int64", "shape": [-1]}, "source_sos_mask": {"type": "int64", "shape": [-1]}, "source_eos_ids": {"type": "int64", "shape": [-1]}, "source_eos_mask": {"type": "int64", "shape": [-1]}, "target_sos_ids": {"type": "int64", "shape": [-1]}, "target_sos_mask": {"type": "int64", "shape": [-1]}, "target_eos_ids": {"type": "int64", "shape": [-1]}, "target_eos_mask": {"type": "int64", "shape": [-1]}} writer.add_schema(nlp_schema, "it is a preprocessed nlp dataset") data = [] for i in range(100): i += 1 sample = {"source_sos_ids": np.array([i, i + 1, i + 2, i + 3, i + 4], dtype=np.int64), "source_sos_mask": np.array([i * 1, i * 2, i * 3, i * 4, i * 5, i * 6, i * 7], dtype=np.int64), "source_eos_ids": np.array([i + 5, i + 6, i + 7, i + 8, i + 9, i + 10], dtype=np.int64), "source_eos_mask": np.array([19, 20, 21, 22, 23, 24, 25, 26, 27], dtype=np.int64), "target_sos_ids": np.array([28, 29, 30, 31, 32], dtype=np.int64), "target_sos_mask": np.array([33, 34, 35, 36, 37, 38], dtype=np.int64), "target_eos_ids": np.array([39, 40, 41, 42, 43, 44, 45, 46, 47], dtype=np.int64), "target_eos_mask": np.array([48, 49, 50, 51], dtype=np.int64)} data.append(sample) if i % 10 == 0: writer.write_raw_data(data) data = [] if data: writer.write_raw_data(data) writer.commit()
参数说明:
MINDRECORD_FILE
:输出的MindRecord文件路径。
通过
MindDataset
读取MindRecord。data_set = ds.MindDataset(dataset_file=MINDRECORD_FILE) count = 0 for item in data_set.create_dict_iterator(): count += 1 print("Got {} samples".format(count))
常用数据集转换MindRecord
MindSpore提供转换常用数据集的工具类,能够将常用的数据集转换为MindRecord。部分常用数据集及其对应的工具类列表如下。
数据集 |
格式转换工具类 |
---|---|
CIFAR-10 |
Cifar10ToMR |
ImageNet |
ImageNetToMR |
TFRecord |
TFRecordToMR |
CSV File |
CsvToMR |
更多数据集转换的详细说明可参见API文档。
转换CIFAR-10数据集
用户可以通过Cifar10ToMR
类,将CIFAR-10原始数据转换为MindRecord,并使用MindDataset
读取。
下载CIFAR-10数据集并解压,其目录结构如下所示。
└─cifar-10-batches-py ├─batches.meta ├─data_batch_1 ├─data_batch_2 ├─data_batch_3 ├─data_batch_4 ├─data_batch_5 ├─readme.html └─test_batch
导入相关模块。
import mindspore.dataset as ds import mindspore.dataset.vision.c_transforms as vision from mindspore.mindrecord import Cifar10ToMR
创建
Cifar10ToMR
对象,调用transform
接口,将CIFAR-10数据集转换为MindRecord。CIFAR10_DIR = "./cifar-10-batches-py" MINDRECORD_FILE = "./cifar10.mindrecord" cifar10_transformer = Cifar10ToMR(CIFAR10_DIR, MINDRECORD_FILE) cifar10_transformer.transform(['label'])
参数说明:
CIFAR10_DIR
:CIFAR-10数据集路径。MINDRECORD_FILE
:输出的MindRecord文件路径。
通过
MindDataset
读取MindRecord。data_set = ds.MindDataset(dataset_file=MINDRECORD_FILE) decode_op = vision.Decode() data_set = data_set.map(operations=decode_op, input_columns=["data"], num_parallel_workers=2) count = 0 for item in data_set.create_dict_iterator(output_numpy=True): count += 1 print("Got {} samples".format(count))
转换ImageNet数据集
用户可以通过ImageNetToMR
类,将ImageNet原始数据(图片、标注)转换为MindRecord,并使用MindDataset
读取。
下载ImageNet数据集,将所有图片存放在
images/
文件夹,用一个映射文件labels_map.txt
记录图片和标签的对应关系。映射文件包含2列,分别为各类别图片目录和标签ID,用空格隔开,映射文件示例如下:n01440760 0 n01443537 1 n01484850 2 n01491361 3 n01494475 4 n01496331 5
文件目录结构如下所示:
├─ labels_map.txt └─ images └─ ......
导入相关模块。
import mindspore.dataset as ds import mindspore.dataset.vision.c_transforms as vision from mindspore.mindrecord import ImageNetToMR
创建
ImageNetToMR
对象,调用transform
接口,将数据集转换为MindRecord。IMAGENET_MAP_FILE = "./labels_map.txt" IMAGENET_IMAGE_DIR = "./images/" MINDRECORD_FILE = "./imagenet.mindrecord" imagenet_transformer = ImageNetToMR(IMAGENET_MAP_FILE, IMAGENET_IMAGE_DIR, MINDRECORD_FILE, partition_number=1) imagenet_transformer.transform()
参数说明:
IMAGENET_MAP_FILE
:ImageNet数据集标签映射文件的路径。IMAGENET_IMAGE_DIR
:包含ImageNet所有图片的文件夹路径。MINDRECORD_FILE
:输出的MindRecord文件路径。
通过
MindDataset
读取MindRecord。data_set = ds.MindDataset(dataset_file=MINDRECORD_FILE) decode_op = vision.Decode() data_set = data_set.map(operations=decode_op, input_columns=["image"], num_parallel_workers=2) count = 0 for item in data_set.create_dict_iterator(output_numpy=True): count += 1 print("Got {} samples".format(count))
转换CSV数据集
本示例首先创建一个包含5条记录的CSV文件,然后通过CsvToMR
工具类将CSV文件转换为MindRecord,并最终通过MindDataset
将其读取出来。
导入相关模块。
import csv import os import mindspore.dataset as ds from mindspore.mindrecord import CsvToMR
生成CSV文件,并转换成MindRecord。
CSV_FILE = "test.csv" MINDRECORD_FILE = "test.mindrecord" def generate_csv(): headers = ["id", "name", "math", "english"] rows = [(1, "Lily", 78.5, 90), (2, "Lucy", 99, 85.2), (3, "Mike", 65, 71), (4, "Tom", 95, 99), (5, "Jeff", 85, 78.5)] with open(CSV_FILE, 'w', encoding='utf-8') as f: writer = csv.writer(f) writer.writerow(headers) writer.writerows(rows) generate_csv() if os.path.exists(MINDRECORD_FILE): os.remove(MINDRECORD_FILE) os.remove(MINDRECORD_FILE + ".db") csv_transformer = CsvToMR(CSV_FILE, MINDRECORD_FILE, partition_number=1) csv_transformer.transform() assert os.path.exists(MINDRECORD_FILE) assert os.path.exists(MINDRECORD_FILE + ".db")
参数说明:
CSV_FILE
:CSV文件的路径。MINDRECORD_FILE
:输出的MindRecord文件路径。
通过
MindDataset
读取MindRecord。data_set = ds.MindDataset(dataset_file=MINDRECORD_FILE) count = 0 for item in data_set.create_dict_iterator(output_numpy=True): count += 1 print("Got {} samples".format(count))
转换TFRecord数据集
目前支持TensorFlow 1.13.0-rc1及以上版本。
本示例首先通过TensorFlow创建一个TFRecord文件,然后通过TFRecordToMR
工具类将TFRecord文件转换为MindRecord,最后通过MindDataset
将其读取出来,并使用Decode
算子对image_bytes
字段进行解码。
导入相关模块。
import collections from io import BytesIO import os import mindspore.dataset as ds from mindspore.mindrecord import TFRecordToMR import mindspore.dataset.vision.c_transforms as vision from PIL import Image import tensorflow as tf
生成TFRecord文件。
TFRECORD_FILE = "test.tfrecord" MINDRECORD_FILE = "test.mindrecord" def generate_tfrecord(): def create_int_feature(values): if isinstance(values, list): feature = tf.train.Feature(int64_list=tf.train.Int64List(value=list(values))) else: feature = tf.train.Feature(int64_list=tf.train.Int64List(value=[values])) return feature def create_float_feature(values): if isinstance(values, list): feature = tf.train.Feature(float_list=tf.train.FloatList(value=list(values))) else: feature = tf.train.Feature(float_list=tf.train.FloatList(value=[values])) return feature def create_bytes_feature(values): if isinstance(values, bytes): white_io = BytesIO() Image.new('RGB', (10, 10), (255, 255, 255)).save(white_io, 'JPEG') image_bytes = white_io.getvalue() feature = tf.train.Feature(bytes_list=tf.train.BytesList(value=[image_bytes])) else: feature = tf.train.Feature(bytes_list=tf.train.BytesList(value=[bytes(values, encoding='utf-8')])) return feature writer = tf.io.TFRecordWriter(TFRECORD_FILE) example_count = 0 for i in range(10): file_name = "000" + str(i) + ".jpg" image_bytes = bytes(str("aaaabbbbcccc" + str(i)), encoding="utf-8") int64_scalar = i float_scalar = float(i) int64_list = [i, i+1, i+2, i+3, i+4, i+1234567890] float_list = [float(i), float(i+1), float(i+2.8), float(i+3.2), float(i+4.4), float(i+123456.9), float(i+98765432.1)] features = collections.OrderedDict() features["file_name"] = create_bytes_feature(file_name) features["image_bytes"] = create_bytes_feature(image_bytes) features["int64_scalar"] = create_int_feature(int64_scalar) features["float_scalar"] = create_float_feature(float_scalar) features["int64_list"] = create_int_feature(int64_list) features["float_list"] = create_float_feature(float_list) tf_example = tf.train.Example(features=tf.train.Features(feature=features)) writer.write(tf_example.SerializeToString()) example_count += 1 writer.close() print("Write {} rows in tfrecord.".format(example_count)) generate_tfrecord()
参数说明:
TFRECORD_FILE
:TFRecord文件的路径。MINDRECORD_FILE
:输出的MindRecord文件路径。
将TFRecord转换成MindRecord。
feature_dict = {"file_name": tf.io.FixedLenFeature([], tf.string), "image_bytes": tf.io.FixedLenFeature([], tf.string), "int64_scalar": tf.io.FixedLenFeature([], tf.int64), "float_scalar": tf.io.FixedLenFeature([], tf.float32), "int64_list": tf.io.FixedLenFeature([6], tf.int64), "float_list": tf.io.FixedLenFeature([7], tf.float32), } if os.path.exists(MINDRECORD_FILE): os.remove(MINDRECORD_FILE) os.remove(MINDRECORD_FILE + ".db") tfrecord_transformer = TFRecordToMR(TFRECORD_FILE, MINDRECORD_FILE, feature_dict, ["image_bytes"]) tfrecord_transformer.transform() assert os.path.exists(MINDRECORD_FILE) assert os.path.exists(MINDRECORD_FILE + ".db")
通过
MindDataset
读取MindRecord。data_set = ds.MindDataset(dataset_file=MINDRECORD_FILE) decode_op = vision.Decode() data_set = data_set.map(operations=decode_op, input_columns=["image_bytes"], num_parallel_workers=2) count = 0 for item in data_set.create_dict_iterator(output_numpy=True): count += 1 print("Got {} samples".format(count))