将数据集转换为MindSpore数据格式

Ascend GPU CPU 数据准备 初级 中级 高级

概述

用户可以将非标准的数据集和常见的数据集转换为MindSpore数据格式，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MindSpore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，训练数据读取更简便。
数据聚合存储，高效读取，且方便管理、移动。
高效数据编解码操作，对用户透明、无感知。
灵活控制分区大小，实现分布式训练。

将非标准数据集转换为MindSpore数据格式

MindSpore提供写操作工具，可将用户定义的原始数据写为MindSpore数据格式。

转换图片及标注数据

导入文件写入工具类FileWriter。

from mindspore.mindrecord import FileWriter

定义数据集Schema，Schema用于定义数据集包含哪些字段以及字段的类型。
```
cv_schema_json = {"file_name": {"type": "string"}, "label": {"type": "int32"}, "data": {"type": "bytes"}}
```
其中，Schema的相关规范如下：
字段名：字母、数字、下划线。
字段属性type：int32、int64、float32、float64、string、bytes。
字段属性shape：[…], …可以是一维数组，用[-1]表示; 可以是二维数组，用[m, n]表示；可以是三维数组，用[x, y, z]表示。
1. 如果字段有属性Shape，暂时只支持type为int32、int64、float32、float64类型。
2. 如果字段有属性Shape，则用户在准备数据并传入write_raw_data接口时必须是numpy.ndarray类型。
举例：
- 图片分类
```
cv_schema_json = {"file_name": {"type": "string"}, "label": {"type": "int32"}, "data": {"type": "bytes"}}
```
- NLP类
```
cv_schema_json = {"id": {"type": "int32"}, "masks": {"type": "int32", "shape": [-1]}, "inputs": {"type": "int64", "shape": [4, 32]}, "labels": {"type": "int64", "shape": [-1]}}
```

准备需要写入的数据，按照用户定义的Schema形式，准备需要写入的样本列表。

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"}]

准备索引字段，添加索引字段可以加速数据读取，该步骤非必选。
```
indexes = ["file_name", "label"]
```
创建FileWriter对象，传入文件名，分片数量，然后添加Schema，添加索引，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。
```
writer = FileWriter(file_name="testWriter.mindrecord", shard_num=4)
writer.add_schema(cv_schema_json, "test_schema")
writer.add_index(indexes)
writer.write_raw_data(data)
writer.commit()
```
其中，
write_raw_data：会将数据写入到内存中。
commit：最终将内存中的数据写入到磁盘。
在现有数据格式文件中增加新数据，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。
```
writer = FileWriter.open_for_append("testWriter.mindrecord0")
writer.write_raw_data(data)
writer.commit()
```

将常见数据集转换为MindSpore数据格式

MindSpore提供转换常见数据集的工具类，将常见数据集转换为MindSpore数据格式。对于常见的数据集以及调用的工具类列表如下：

数据集	调用的工具类
CIFAR-10	Cifar10ToMR
CIFAR-100	Cifar100ToMR
ImageNet	ImageNetToMR
MNIST	MnistToMR

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MindSpore数据格式。

准备好CIFAR-10数据集，这里使用的是用于python解析的数据集（CIFAR-10 python version），将文件解压至指定的目录（示例中将数据集保存到cifar10目录），如下所示：
```
% ll cifar10/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
```
CIFAR-10数据集下载地址：https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz

导入转换数据集的工具类Cifar10ToMR。

from mindspore.mindrecord import Cifar10ToMR

实例化Cifar10ToMR对象，调用transform接口，将CIFAR-10数据集转换为MindSpore数据格式。
```
CIFAR10_DIR = "./cifar10/cifar-10-batches-py"
MINDRECORD_FILE = "./cifar10.mindrecord"
cifar10_transformer = Cifar10ToMR(CIFAR10_DIR, MINDRECORD_FILE)
cifar10_transformer.transform(['label'])
```
其中，
CIFAR10_DIR：CIFAR-10数据集的文件夹路径。
MINDRECORD_FILE：输出的MindSpore数据格式文件路径。

转换CIFAR-100数据集

用户可以通过Cifar100ToMR类，将CIFAR-100原始数据转换为MindSpore数据格式。

准备好CIFAR-100数据集，将文件解压至指定的目录（示例中将数据集保存到cifar100目录），如下所示：
```
% ll cifar100/cifar-100-python/
meta
test
train
```
CIFAR-100数据集下载地址：https://www.cs.toronto.edu/~kriz/cifar-100-python.tar.gz

导入转换数据集的工具类Cifar100ToMR。

from mindspore.mindrecord import Cifar100ToMR

实例化Cifar100ToMR对象，调用transform接口，将CIFAR-100数据集转换为MindSpore数据格式。
```
CIFAR100_DIR = "./cifar100/cifar-100-python"
MINDRECORD_FILE = "./cifar100.mindrecord"
cifar100_transformer = Cifar100ToMR(CIFAR100_DIR, MINDRECORD_FILE)
cifar100_transformer.transform(['fine_label', 'coarse_label'])
```
其中，
CIFAR100_DIR：CIFAR-100数据集的文件夹路径。
MINDRECORD_FILE：输出的MindSpore数据格式文件路径。

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MindSpore数据格式。

下载并按照要求准备好ImageNet数据集。

ImageNet数据集下载地址：http://image-net.org/download

对下载后的ImageNet数据集，整理数据集组织形式为一个包含所有图片的文件夹，以及一个记录图片对应标签的映射文件。

标签映射文件包含2列，分别为各类别图片目录、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
```

导入转换数据集的工具类ImageNetToMR。

from mindspore.mindrecord import ImageNetToMR

实例化ImageNetToMR对象，调用transform接口，将数据集转换为MindSpore数据格式。

IMAGENET_MAP_FILE = "./testImageNetDataWhole/labels_map.txt"
IMAGENET_IMAGE_DIR = "./testImageNetDataWhole/images"
MINDRECORD_FILE = "./testImageNetDataWhole/imagenet.mindrecord"
PARTITION_NUMBER = 4
imagenet_transformer = ImageNetToMR(IMAGENET_MAP_FILE, IMAGENET_IMAGE_DIR, MINDRECORD_FILE, PARTITION_NUMBER)
imagenet_transformer.transform()

其中，
IMAGENET_MAP_FILE：ImageNetToMR数据集的标签映射文件路径。
IMAGENET_IMAGE_DIR：包含ImageNet所有图片的文件夹路径。
MINDRECORD_FILE：输出的MindSpore数据格式文件路径。

转换MNIST数据集

用户可以通过MnistToMR类，将MNIST原始数据转换为MindSpore数据格式。

准备MNIST数据集，将下载好的文件放至指定的目录，如下所示：
```
% ll mnist_data/
train-images-idx3-ubyte.gz
train-labels-idx1-ubyte.gz
t10k-images-idx3-ubyte.gz
t10k-labels-idx1-ubyte.gz
```
MNIST数据集下载地址：http://yann.lecun.com/exdb/mnist

导入转换数据集的工具类MnistToMR。

from mindspore.mindrecord import MnistToMR

实例化MnistToMR对象，调用transform接口，将MNIST数据集转换为MindSpore数据格式。
```
MNIST_DIR = "./mnist_data"
MINDRECORD_FILE = "./mnist.mindrecord"
mnist_transformer = MnistToMR(MNIST_DIR, MINDRECORD_FILE)
mnist_transformer.transform()
```
其中，
MNIST_DIR：MNIST数据集的文件夹路径。
MINDRECORD_FILE：输出的MindSpore数据格式文件路径。