mindspore.dataset.EMnistDataset
- class mindspore.dataset.EMnistDataset(dataset_dir, name, usage=None, num_samples=None, num_parallel_workers=None, shuffle=None, sampler=None, num_shards=None, shard_id=None, cache=None)[源代码]
EMNIST（Extended MNIST）数据集。
生成的数据集有两列: [image, label] 。 image 列的数据类型为uint8。 label 列的数据类型为uint32。
- 参数：
dataset_dir (str) - 包含数据集文件的根目录路径。
name (str) - 按给定规则对数据集进行拆分，可以是 ‘byclass’、’bymerge’、’balanced’、’letters’、’digits’ 或 ‘mnist’。
usage (str, 可选) - 指定数据集的子集，可取值为 ‘train’、’test’ 或 ‘all’。 取值为 ‘train’ 时将会读取60,000个训练样本，取值为 ‘test’ 时将会读取10,000个测试样本，取值为 ‘all’ 时将会读取全部70,000个样本。默认值：None，读取全部样本图片。
num_samples (int, 可选) - 指定从数据集中读取的样本数。默认值：None，读取全部样本图片。
num_parallel_workers (int, 可选) - 指定读取数据的工作线程数。默认值：None，使用全局默认线程数(8)，也可以通过 mindspore.dataset.config.set_num_parallel_workers 配置全局线程数。
shuffle (bool, 可选) - 是否混洗数据集。默认值：None。下表中会展示不同参数配置的预期行为。
sampler (Sampler, 可选) - 指定从数据集中选取样本的采样器。默认值：None。下表中会展示不同配置的预期行为。
num_shards (int, 可选) - 指定分布式训练时将数据集进行划分的分片数。默认值：None。指定此参数后， num_samples 表示每个分片的最大样本数。
shard_id (int, 可选) - 指定分布式训练时使用的分片ID号。默认值：None。只有当指定了 num_shards 时才能指定此参数。
cache (DatasetCache, 可选) - 单节点数据缓存服务，用于加快数据集处理，详情请阅读 单节点数据缓存 。默认值：None，不使用缓存。
- 异常：
RuntimeError - 同时指定了 sampler 和 shuffle 参数。
RuntimeError - 同时指定了 sampler 和 num_shards 参数或同时指定了 sampler 和 shard_id 参数。
RuntimeError - 指定了 num_shards 参数，但是未指定 shard_id 参数。
RuntimeError - 指定了 shard_id 参数，但是未指定 num_shards 参数。
ValueError - 如果 shard_id 取值不在[0, num_shards )范围。
说明
此数据集可以指定参数 sampler ，但参数 sampler 和参数 shuffle 的行为是互斥的。下表展示了几种合法的输入参数组合及预期的行为。
配置 sampler 和 shuffle 的不同组合得到的预期排序结果 参数 sampler
参数 shuffle
预期数据顺序
None
None
随机排列
None
True
随机排列
None
False
顺序排列
sampler 实例
None
由 sampler 行为定义的顺序
sampler 实例
True
不允许
sampler 实例
False
不允许
关于EMNIST数据集：
EMNIST数据集由一组手写字符数字组成，源自NIST特别版数据库19，并转换为与MNIST数据集直接匹配的28x28像素图像格式和数据集结构。 有关数据集内容和转换过程的更多信息可在 https://arxiv.org/abs/1702.05373v1 上查阅。
EMNIST按照不同的规则拆分成不同的子数据集的样本数和类数如下：
按类拆分：814,255个样本和62个样本不平衡类。 按合并拆分：814,255个样本和47个样本不平衡类。 平衡拆分：131,600个样本和47个样本平衡类。 按字母拆分：145,600个样本和26个样本平衡类。 按数字拆分：280,000个样本和10个样本平衡类。 MNIST: 70,000个样本符和10个样本平衡类。
以下是原始EMNIST数据集结构。 可以将数据集文件解压缩到此目录结构中，并由MindSpore的API读取。
. └── mnist_dataset_dir ├── emnist-mnist-train-images-idx3-ubyte ├── emnist-mnist-train-labels-idx1-ubyte ├── emnist-mnist-test-images-idx3-ubyte ├── emnist-mnist-test-labels-idx1-ubyte ├── ...引用：
@article{cohen_afshar_tapson_schaik_2017, title = {EMNIST: Extending MNIST to handwritten letters}, DOI = {10.1109/ijcnn.2017.7966217}, journal = {2017 International Joint Conference on Neural Networks (IJCNN)}, author = {Cohen, Gregory and Afshar, Saeed and Tapson, Jonathan and Schaik, Andre Van}, year = {2017}, howpublished = {https://www.westernsydney.edu.au/icns/reproducible_research/ publication_support_materials/emnist} }
样例：
>>> emnist_dataset_dir = "/path/to/emnist_dataset_directory" >>> >>> # Read 3 samples from EMNIST dataset >>> dataset = ds.EMnistDataset(dataset_dir=emnist_dataset_dir, name="mnist", num_samples=3) >>> >>> # Note: In emnist_dataset dataset, each dictionary has keys "image" and "label"
预处理操作
对数据集对象执行给定操作函数。 |
|
对传入的多个数据集对象进行拼接操作。 |
|
通过自定义判断条件对数据集对象中的数据进行过滤。 |
|
对数据集对象中每一条数据执行给定的数据处理，并将结果展平。 |
|
给定一组数据增强列表，按顺序将数据增强作用在数据集对象上。 |
|
从数据集对象中选择需要的列，并按给定的列名的顺序进行排序。 |
|
对数据集对象按指定的列名进行重命名。 |
|
重复此数据集 count 次。 |
|
重置下一个epoch的数据集对象。 |
|
将数据处理管道中正处理的数据保存为通用的数据集格式。 |
|
通过创建 buffer_size 大小的缓存来混洗该数据集。 |
|
跳过此数据集对象的前 count 条数据。 |
|
将数据集拆分为多个不重叠的子数据集。 |
|
从数据集中获取最多 count 的元素。 |
|
将多个dataset对象按列进行合并压缩，多个dataset对象不能有相同的列名。 |
Batch（批操作）
将数据集中连续 batch_size 条数据组合为一个批数据，并可通过可选参数 per_batch_map 指定组合前要进行的预处理操作。 |
|
根据数据的长度进行分桶。 |
|
将数据集中连续 batch_size 条数据组合为一个批数据，并可通过可选参数 pad_info 预先将样本补齐。 |
迭代器
基于数据集对象创建迭代器。 |
|
基于数据集对象创建迭代器。 |
数据集属性
获得数据集对象定义的批处理大小，即一个批处理数据中包含的数据条数。 |
|
返回类别索引。 |
|
返回数据集对象中包含的列名。 |
|
返回一个epoch中的batch数。 |
|
获取 RepeatDataset 中定义的repeat操作的次数。 |
|
获取/设置数据列索引，它表示使用下沉模式时数据列映射至网络中的对应关系。 |
|
获取数据集对象中所有样本的类别数目。 |
|
获取数据集对象中每列数据的shape。 |
|
获取数据集对象中每列数据的数据类型。 |
应用采样方法
为当前数据集添加子采样器。 |
|
替换当前数据集的最末子采样器，保持父采样器不变。 |
其他方法
将数据异步传输到Ascend/GPU设备上。 |
|
释放阻塞条件并使用给定数据触发回调函数。 |
|
为同步操作在数据集对象上添加阻塞条件。 |
|
将数据处理管道序列化为JSON字符串，如果提供了文件名，则转储到文件中。 |