转换数据集为MindRecord
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数据格式可以获得更好的性能体验。
MindSpore数据格式具备的特征如下:
实现多变的用户数据统一存储、访问,训练数据读取更加简便。
数据聚合存储,高效读取,且方便管理、移动。
高效的数据编解码操作,对用户透明、无感知。
可以灵活控制分区的大小,实现分布式训练。
MindSpore数据格式的目标是归一化用户的数据集,并进一步通过MindDataset
(详细使用方法参考API)实现数据的读取,并用于训练过程。
基本概念
一个MindRecord文件由数据文件和索引文件组成,且数据文件及索引文件暂不支持重命名操作:
数据文件
包含文件头、标量数据页、块数据页,用于存储用户归一化后的训练数据,且单个MindRecord文件建议小于20G,用户可将大数据集进行分片存储为多个MindRecord文件。
索引文件
包含基于标量数据(如图像Label、图像文件名等)生成的索引信息,用于方便的检索、统计数据集信息。
数据文件主要由以下几个关键部分组成:
文件头
文件头主要用来存储文件头大小、标量数据页大小、块数据页大小、Schema信息、索引字段、统计信息、文件分区信息、标量数据与块数据对应关系等,是MindRecord文件的元信息。
标量数据页
标量数据页主要用来存储整型、字符串、浮点型数据,如图像的Label、图像的文件名、图像的长宽等信息,即适合用标量来存储的信息会保存在这里。
块数据页
块数据页主要用来存储二进制串、Numpy数组等数据,如二进制图像文件本身、文本转换成的字典等。
将数据集转换为MindRecord
下面本教程将简单演示如何将图片数据及其标注转换为MindRecord格式。更多MindSpore数据格式转换说明,可参见编程指南中MindSpore数据格式转换章节。
示例一:展示如何将数据按照定义的数据集结构转换为MindRecord数据文件。
导入文件写入工具类
FileWriter
。
[1]:
from mindspore.mindrecord import FileWriter
定义数据集结构文件Schema。
[2]:
cv_schema_json = {"file_name": {"type": "string"}, "label": {"type": "int32"}, "data": {"type": "bytes"}}
Schema文件主要包含字段名name
、字段数据类型type
和字段各维度维数shape
:
字段名:字段的引用名称,可以包含字母、数字和下划线。
字段数据类型:包含int32、int64、float32、float64、string、bytes。
字段维数:一维数组用[-1]表示,更高维度可表示为[m, n, …],其中m、n为各维度维数。
如果字段有属性
shape
,则用户传入write_raw_data
接口的数据必须为numpy.ndarray
类型,对应数据类型必须为int32、int64、float32、float64。
按照用户定义的Schema格式,准备需要写入的数据列表,此处传入的是图片数据的二进制流。
[3]:
data = [{"file_name": "1.jpg", "label": 0, "data": b"\x10c\xb3w\xa8\xee$o&<q\x8c\x8e(\xa2\x90\x90\x96\xbc\xb1\x1e\xd4QER\x13?\xff\xd9"},
{"file_name": "2.jpg", "label": 56, "data": b"\xe6\xda\xd1\xae\x07\xb8>\xd4\x00\xf8\x129\x15\xd9\xf2q\xc0\xa2\x91YFUO\x1dsE1\x1ep"},
{"file_name": "3.jpg", "label": 99, "data": b"\xaf\xafU<\xb8|6\xbd}\xc1\x99[\xeaj+\x8f\x84\xd3\xcc\xa0,i\xbb\xb9-\xcdz\xecp{T\xb1\xdb"}]
添加索引字段可以加速数据读取,该步骤非必选。
[4]:
indexes = ["file_name", "label"]
创建FileWriter对象,传入文件名及分片数量,然后添加Schema文件及索引,调用
write_raw_data
接口写入数据,最后调用commit
接口生成本地数据文件。
[5]:
writer = FileWriter(file_name="test.mindrecord", shard_num=4)
writer.add_schema(cv_schema_json, "test_schema")
writer.add_index(indexes)
writer.write_raw_data(data)
writer.commit()
[5]:
MSRStatus.SUCCESS
该示例会生成test.mindrecord0
、test.mindrecord0.db
、test.mindrecord1
、test.mindrecord1.db
、test.mindrecord2
、test.mindrecord2.db
、test.mindrecord3
、test.mindrecord3.db
共8个文件,称为MindRecord数据集。test.mindrecord0
和test.mindrecord0.db
称为1个MindRecord文件,其中test.mindrecord0
为数据文件,test.mindrecord0.db
为索引文件。
接口说明:
write_raw_data
:将数据写入到内存之中。commit
:将最终内存中的数据写入到磁盘。
如果需要在现有数据格式文件中增加新数据,可以调用
open_for_append
接口打开已存在的数据文件,继续调用write_raw_data
接口写入新数据,最后调用commit
接口生成本地数据文件。
[6]:
writer = FileWriter.open_for_append("test.mindrecord0")
writer.write_raw_data(data)
writer.commit()
[6]:
MSRStatus.SUCCESS
示例二:将jpg
格式的图片,按照示例一的方法,将其转换成MindRecord数据集。
下载需要处理的图片数据transform.jpg
作为待处理的原始数据。
创建文件夹目录./datasets/convert_dataset_to_mindrecord/datas_to_mindrecord/
用于存放本次体验中所有的转换数据集。
创建文件夹目录./datasets/convert_dataset_to_mindrecord/images/
用于存放下载下来的图片数据。
[7]:
!wget -N https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/notebook/datasets/transform.jpg
!mkdir -p ./datasets/convert_dataset_to_mindrecord/datas_to_mindrecord/
!mkdir -p ./datasets/convert_dataset_to_mindrecord/images/
!mv -f ./transform.jpg ./datasets/convert_dataset_to_mindrecord/images/
!tree ./datasets/convert_dataset_to_mindrecord/images/
./datasets/convert_dataset_to_mindrecord/images/
└── transform.jpg
0 directories, 1 file
执行以下代码,将下载的transform.jpg
转换为MindRecord数据集。
[8]:
# step 1 import class FileWriter
import os
from mindspore.mindrecord import FileWriter
# clean up old run files before in Linux
data_path = './datasets/convert_dataset_to_mindrecord/datas_to_mindrecord/'
os.system('rm -f {}test.*'.format(data_path))
# import FileWriter class ready to write data
data_record_path = './datasets/convert_dataset_to_mindrecord/datas_to_mindrecord/test.mindrecord'
writer = FileWriter(file_name=data_record_path,shard_num=4)
# define the data type
data_schema = {"file_name":{"type":"string"},"label":{"type":"int32"},"data":{"type":"bytes"}}
writer.add_schema(data_schema,"test_schema")
# prepeare the data contents
file_name = "./datasets/convert_dataset_to_mindrecord/images/transform.jpg"
with open(file_name, "rb") as f:
bytes_data = f.read()
data = [{"file_name":"transform.jpg", "label":1, "data":bytes_data}]
# add index field
indexes = ["file_name","label"]
writer.add_index(indexes)
# save data to the files
writer.write_raw_data(data)
writer.commit()
[8]:
MSRStatus.SUCCESS
该示例会生成8个文件,成为MindRecord数据集。test.mindrecord0
和test.mindrecord0.db
称为1个MindRecord文件,其中test.mindrecord0
为数据文件,test.mindrecord0.db
为索引文件,生成的文件如下所示:
[9]:
!tree ./datasets/convert_dataset_to_mindrecord/datas_to_mindrecord/
./datasets/convert_dataset_to_mindrecord/datas_to_mindrecord/
├── test.mindrecord0
├── test.mindrecord0.db
├── test.mindrecord1
├── test.mindrecord1.db
├── test.mindrecord2
├── test.mindrecord2.db
├── test.mindrecord3
└── test.mindrecord3.db
0 directories, 8 files
读取MindRecord数据集
下面将简单演示如何通过MindDataset
读取MindRecord数据集。
导入读取类
MindDataset
。
[10]:
import mindspore.dataset as ds
首先使用
MindDataset
读取MindRecord数据集,然后对数据创建了字典迭代器,并通过迭代器读取了一条数据记录。
[11]:
file_name = './datasets/convert_dataset_to_mindrecord/datas_to_mindrecord/test.mindrecord0'
# create MindDataset for reading data
define_data_set = ds.MindDataset(dataset_file=file_name)
# create a dictionary iterator and read a data record through the iterator
count = 0
for item in define_data_set.create_dict_iterator(output_numpy=True):
print("sample: {}".format(item))
count += 1
print("Got {} samples".format(count))
sample: {'data': array([255, 216, 255, ..., 159, 255, 217], dtype=uint8), 'file_name': array(b'transform.jpg', dtype='|S13'), 'label': array(1, dtype=int32)}
Got 1 samples