数据处理与数据增强

Ascend GPU CPU 数据准备 初级 中级 高级

查看源文件   查看Notebook

概述

数据是深度学习的基础,有好的数据输入,可以对整个深度神经网络训练起到非常积极的作用。所以在获取到原始的数据集后,数据加载训练前,因为数据量、性能等等限制,往往会需要先进行数据处理或者数据增强,从而获得更加优化的数据输入。
同样,MindSpore也为用户提供了数据处理以及数据增强的功能。

从本质上来说,数据增强是通过数据处理中的map(映射)进行实现,但是因为数据增强提供丰富的变换操作,所以将其单独提出进行描述。

MindSpore支持的数据处理操作

MindSpore支持多种处理数据操作,包括复制、分批、混洗、映射等等,详细见下表:

数据处理

说明

repeat

对数据集进行复制,来加倍数据量。

batch

将数据分批处理,有益于加速训练过程。

shuffle

对数据进行混洗。

map

将提供的函数或算子作用于指定的列数据。

zip

将多个数据集合并成一个数据集。

各个操作可以单独进行使用,实际使用过程中往往会根据实际需要进行组合使用,组合使用时推荐使用的顺序如下所示:

avatar

如下示例中,读取MNIST数据集时,对数据进行shufflebatchrepeat操作。

import mindspore.dataset as ds

ds1 = ds.MnistDataset(MNIST_DATASET_PATH, MNIST_SCHEMA)  # Create MNIST dataset.

ds1 = ds1.shuffle(buffer_size=10000) 
ds1 = ds1.batch(32, drop_remainder=True)
ds1 = ds1.repeat(10)

上面操作先对数据进行混洗,再将每32条数据组成一个batch,最后将数据集重复10次。

下面将构造一个简单数据集ds1,并对其进行数据处理操作,来介绍各类数据处理操作的详细使用。

  1. 导入数据处理操作依赖的模块。

    import mindspore.dataset as ds
    
  2. 定义一个生成数据集的函数——generator_func()用于生成数据集。

     def generator_func():
         for i in range(5):
             yield (np.array([i, i+1, i+2]),)
    
  3. 通过GeneratorDataset创建ds1数据集,用于执行数据处理操作。

    ds1 = ds.GeneratorDataset(generator_func, ["data"])
    print("ds1:")
    for data in ds1.create_dict_iterator():
        print(data["data"])
    

    输出:

    ds1:
    [0 1 2]
    [1 2 3]
    [2 3 4]
    [3 4 5]
    [4 5 6]
    

repeat

在有限的数据集内,为了优化网络,通常会将一个数据集训练多次。

avatar

在机器学习中,每训练完一个完整的数据集,我们称为训练完了一个epoch。

加倍数据集,通常用在训练中,通过repeat来加倍数据量。repeat定义如下:

def repeat(self, count=None):

我们可以定义ds2数据集,调用repeat来加倍数据量。示例代码如下:

ds2 = ds.GeneratorDataset(generator_func, ["data"])
ds2 = ds2.repeat(2)
print("ds2:")
for data in ds2.create_dict_iterator():
    print(data["data"])

其中,将倍数设为2,故ds2数据量为原始数据集ds1的2倍,输出:

ds2:
[0 1 2]
[1 2 3]
[2 3 4]
[3 4 5]
[4 5 6]
[0 1 2]
[1 2 3]
[2 3 4]
[3 4 5]
[4 5 6]

batch

将数据集进行分批。在实际训练中,可将数据分批处理,将几个数据作为1组,进行训练,减少训练轮次,达到加速训练过程的目的。MindSpore通过batch函数来实现数据集分批,函数定义如下:

avatar

def batch(self, batch_size, drop_remainder=False, num_parallel_workers=None)

使用GeneratorDataset产生的数据集ds1构建2个数据集。

  • 第1个数据集ds2,每2条数据为1组。

  • 第2个数据集ds3,每3条数据为1组,并将不足1组的数据截掉。

ds2示例代码如下:

ds2 = ds1.batch(batch_size=2)  # Default drop_remainder is False, the last remainder batch isn't dropped.
print("batch size:2    drop remainder:False")
for data in ds2.create_dict_iterator():
    print(data["data"])

输出如下所示:

batch size:2    drop remainder:False
[[0 1 2]
 [1 2 3]]
[[2 3 4]
 [3 4 5]]
[[4 5 6]]

ds3示例代码如下:

ds3 = ds1.batch(batch_size=3, drop_remainder=True)  # When drop_remainder is True, the last remainder batch will be dropped.
print("batch size:3    drop remainder:True")
for data in ds3.create_dict_iterator():
    print(data["data"])

输出如下所示:

batch size:3    drop remainder:True
[[0 1 2]
 [1 2 3]
 [2 3 4]]

shuffle

对于有序的数据集或者进行过repeat的数据集可以进行混洗。

avatar

shuffle操作主要用来将数据混洗,设定的buffer_size越大,混洗程度越大,但时间、计算资源消耗会大。 shuffle定义如下:

def shuffle(self, buffer_size):

调用shuffle对数据集ds1进行混洗,示例代码如下:

print("Before shuffle:")
for data in ds1.create_dict_iterator():
    print(data["data"])

ds2 = ds1.shuffle(buffer_size=5)
print("After shuffle:")
for data in ds2.create_dict_iterator():
    print(data["data"])

可能的输出如下,可以看到进行数据混洗后,数据的顺序发生了随机的变化。

Before shuffle:
[0 1 2]
[1 2 3]
[2 3 4]
[3 4 5]
[4 5 6]
After shuffle:
[3 4 5]
[2 3 4]
[4 5 6]
[1 2 3]
[0 1 2]

map

map(映射)即对数据进行处理,譬如将彩色图片的数据集转化为灰色图片的数据集等,应用非常灵活。 MindSpore提供map函数对数据集进行映射操作,用户可以将提供的函数或算子作用于指定的列数据。
用户可以自定义函数,也可以直接使用c_transformspy_transforms做数据增强。

详细的数据增强操作,将在文后数据增强章节进行介绍。

avatar

map函数定义如下:

def map(self, input_columns=None, operations=None, output_columns=None, columns_order=None,
        num_parallel_workers=None):

在以下示例中,使用map函数,将定义的匿名函数(lambda函数)作用于数据集ds1,使数据集中数据乘以2。

func = lambda x : x*2  # Define lambda function to multiply each element by 2.
ds2 = ds1.map(input_columns="data", operations=func)
for data in ds2.create_dict_iterator():
    print(data["data"])

代码输出如下,可以看到数据集ds2中各行的数据均乘以了2。

[0 2 4]
[2 4 6]
[4 6 8]
[6 8 10]
[8 10 12]

zip

MindSpore提供zip函数,可将多个数据集合并成1个数据集。

avatar

如果两个数据集的列名相同,则不会合并,请注意列的命名。
如果两个数据集的行数不同,合并后的行数将和较小行数保持一致。

def zip(self, datasets):
  1. 参考前面generator_func函数构造数据集ds1的方法,定义generator_func2函数用于构造1个数据集ds2

    def generator_func2():
        for i in range(5):
            yield (np.array([i-3, i-2, i-1]),)
    
    ds2 = ds.GeneratorDataset(generator_func2, ["data2"])
    
  2. 通过zip将数据集ds1data列和数据集ds2data2列合并成数据集ds3

    ds3 = ds.zip((ds1, ds2))
    for data in ds3.create_dict_iterator():
        print(data)
    

    输出如下所示:

    {'data': array([0, 1, 2], dtype=int64), 'data2': array([-3, -2, -1], dtype=int64)}
    {'data': array([1, 2, 3], dtype=int64), 'data2': array([-2, -1,  0], dtype=int64)}
    {'data': array([2, 3, 4], dtype=int64), 'data2': array([-1,  0,  1], dtype=int64)}
    {'data': array([3, 4, 5], dtype=int64), 'data2': array([0, 1, 2], dtype=int64)}
    {'data': array([4, 5, 6], dtype=int64), 'data2': array([1, 2, 3], dtype=int64)}
    

数据增强

在图片训练中,尤其在数据集较小的情况下,用户可以通过一系列的数据增强操作对图片进行预处理,从而丰富了数据集。
MindSpore提供c_transforms模块以及py_transforms模块函数供用户进行数据增强操作,用户也可以自定义函数或者算子进行数据增强。MindSpore提供的两个模块的简要说明如下表,详细的介绍请参考API中对应模块的说明。

模块名称

实现

说明

c_transforms

基于C++的OpenCV实现

具有较高的性能。

py_transforms

基于Python的PIL实现

该模块提供了多种图像增强功能,并提供了PIL Image和numpy数组之间的传输方法。

对于喜欢在图像学习任务中使用Python PIL的用户,py_transforms模块是处理图像增强的好工具。用户还可以使用Python PIL自定义自己的扩展。
数据增强需要使用map函数,详细map函数的使用,可参考map章节。

使用c_transforms模块进行数据增强

  1. 将该模块引入进代码。

    from mindspore.dataset.transforms.vision import Inter
    import mindspore.dataset.transforms.vision.c_transforms as transforms
    import matplotlib.pyplot as plt
    
  2. 定义数据增强算子,以Resize为例:

    # path to imagefolder directory. This directory needs to contain sub-directories which contain the images
    DATA_DIR = "/path/to/imagefolder_directory"
    dataset = ds.ImageFolderDatasetV2(DATA_DIR, decode=True)  # Decode images. 
    resize_op = transforms.Resize(size=(500,500), interpolation=Inter.LINEAR)
    dataset.map(input_columns="image", operations=resize_op)
    
    for data in dataset.create_dict_iterator():
        imgplot_resized = plt.imshow(data["image"])
        plt.show()
    

运行结果可以看到,原始图片与进行数据处理(Resize)后的图片对比,可以看到图片由原来的1024*683像素,变化为500*500像素。 avatar

图1:原始图片

avatar

图2:重设尺寸后的图片

使用py_transforms模块进行数据增强

  1. 将该模块引入到代码。

    import mindspore.dataset.transforms.vision.py_transforms as transforms
    import matplotlib.pyplot as plt
    
  2. 定义数据增强算子,通过ComposeOp接口将多个数据增强组合使用, 以RandomCrop为例:

    # path to imagefolder directory. This directory needs to contain sub-directories which contain the images
    DATA_DIR = "/path/to/imagefolder_directory"
    dataset = ds.ImageFolderDatasetV2(DATA_DIR)
    
    transforms_list = [
        transforms.Decode(),  # Decode images to PIL format.
        transforms.RandomCrop(size=(500,500)),
        transforms.ToTensor()  # Convert PIL images to Numpy ndarray.
    ]
    compose = transforms.ComposeOp(transforms_list)
    dataset = dataset.map(input_columns="image", operations=compose())
    for data in dataset.create_dict_iterator():
         print(data["image"])
         imgplot_resized = plt.imshow(data["image"].transpose(1, 2, 0))
         plt.show()
    

运行结果可以看到,原始图片与进行数据处理(RandomCrop)后的图片对比,可以看到图片由原来的1024*683像素,变化为500*500像素。 avatar

图1:原始图片

avatar

图2:按500*500随机裁剪后的图片