[PyTorch] tutorial, 2.Dataset과 DataLoader

• PyTorch에서 제공하는 데이터셋으로 prototype 방식으로 모델을 만들고, 성능을 측정하여 benchmark 하는데 사용할 수 있다.
  • torch.utils.data.Dataset: 샘플과 정답(label)을 저장한다
  • torch.utils.data.DataLoader : Dataset을 샘플에 쉽게 접근할 수 있도록 순회 가능한 객체(iterable)로 감싼다

 

데이터셋 불러오기

• TorchVision의 Fashion-MNIST 데이터셋
  • 60,000개의 학습 샘플과 10,000개의 테스트 샘플로 구성
  • 각 샘플은 흑백(grayscale)의 28 x 28 이미지와 10개 분류(class) 중 하나인 정답(label)으로 구성
• FashionMNIST 데이터셋을 불러오는데 필요한 매개변수 예시
  • root: 학습/테스트 데이터가 저장되는 경로
  • train: 학습용 또는 테스트용 데이터셋 여부 지정
  • download=True: root에 데이터가 없는 경우 인터넷에서 다운로드
  • transform 과 target_transform: 특징(feature)과 정답(label) 변형(transform)을 지정 

import torch
from torch.utils.data import Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plt


training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)

print("Train:")
print(training_data)
print("Test:")
print(test_data)

 

Out:

Train:
Dataset FashionMNIST
    Number of datapoints: 60000
    Root location: data
    Split: Train
    StandardTransform
Transform: ToTensor()
Test:
Dataset FashionMNIST
    Number of datapoints: 10000
    Root location: data
    Split: Test
    StandardTransform
Transform: ToTensor()

 

 

데이터셋을 순회하고 시각화하기

• Dataset에 list처럼 직접 접근(index)할 수 있다. training_data[index]
• matplotlib 를 이용하여 학습 데이터의 일부를 시각화할 수 있다.

labels_map = {
    0: "T-Shirt",
    1: "Trouser",
    2: "Pullover",
    3: "Dress",
    4: "Coat",
    5: "Sandal",
    6: "Shirt",
    7: "Sneaker",
    8: "Bag",
    9: "Ankle Boot",
}
figure = plt.figure(figsize=(8, 8))
cols, rows = 3, 3
for i in range(1, cols * rows + 1):
    sample_idx = torch.randint(len(training_data), size=(1,)).item()
    img, label = training_data[sample_idx]
    figure.add_subplot(rows, cols, i)
    plt.title(labels_map[label])
    plt.axis("off")
    plt.imshow(img.squeeze(), cmap="gray")
plt.show()

 

Out:

 

 

파일에서 사용자 정의 데이터셋 만들기

• 사용자 정의 Dataset 클래스에서는 반드시 3개의 함수를 구현해야 한다
  • __init__
  • __len__
  • __getitem__
• 아래 코드에서, FashionMNIST 이미지들은 img_dir 디렉토리에 저장되고, 정답은 annotations_file csv 파일에 별도로 저장된다.

import os
import pandas as pd
from torchvision.io import read_image

class CustomImageDataset(Dataset):
    def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
        self.img_labels = pd.read_csv(annotations_file, names=['file_name', 'label'])
        self.img_dir = img_dir
        self.transform = transform
        self.target_transform = target_transform

    def __len__(self):
        return len(self.img_labels)

    def __getitem__(self, idx):
        img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
        image = read_image(img_path)
        label = self.img_labels.iloc[idx, 1]
        if self.transform:
            image = self.transform(image)
        if self.target_transform:
            label = self.target_transform(label)
        return image, label

 

init 함수

• Dataset 객체가 생성(instantiate)될때 한 번만 실행된다
• 이미지와 주석 파일(annotation_file)이 포함된 디렉토리와 두가지 변형(transform)을 초기화한다

labels.csv 파일은 다음과 같다::

tshirt1.jpg, 0
tshirt2.jpg, 0
......
ankleboot999.jpg, 9

 

def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
    self.img_labels = pd.read_csv(annotations_file)
    self.img_dir = img_dir
    self.transform = transform
    self.target_transform = target_transform

 

 

len 함수

• 데이터의 샘플 개수를 반환한다

def __len__(self):
    return len(self.img_labels)

 

getitem 함수

• 인덱스 idx에 해당하는 샘플을 데이터셋에서 불러오고 반환한다
  • 인덱스를 기반으로, 디스크에서 이미지의 위치를 식별
  • read_image 를 사용하여 이미지를 텐서로 변환
  • self.img_labels 의 csv 데이터로부터 해당하는 정답(label)을 가져옴
  • (해당하는 경우) 변형(transform) 함수들을 호출한 뒤, 텐서 이미지와 라벨을 python 사전(dict)형으로 반환

def __getitem__(self, idx):
    img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
    image = read_image(img_path)
    label = self.img_labels.iloc[idx, 1]
    if self.transform:
        image = self.transform(image)
    if self.target_transform:
        label = self.target_transform(label)
    sample = {"image": image, "label": label}
    return sample

 

 

DataLoader로 학습용 데이터 준비하기

• Dataset은 데이터셋의 특징(feature)을 가져오고, 하나의 샘플에 정답(label)을 지정하는 일을 한 번에 한다
  • 모델을 학습할 때, 일반적으로 샘플들을 미니배치(minibatch)로 전달하고, 매 에폭(epoch)마다 데이터를 다시 섞어서 과적합(overfit)을 막고, Python의 multiprocessing 을 사용하여 데이터 검색 속도를 높이려고 한다
• DataLoader는 간단한 API로 이러한 복잡한 과정들을 추상화한 순회 가능한 객체(iterable) 이다

from torch.utils.data import DataLoader

train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)

 

 

DataLoader를 통해 순회하기(iterate)

• DataLoader에 데이터셋을 불러온 뒤에는 필요에 따라 데이터셋을 순회(iterate)할 수 있다
  • 아래의 각 순회는 각각 batch_size =64의 feature와 label을 포함하는 train_features 와 train_labels의 묶음(batch)를 반환한다
  • shuffle=True로 지정했으므로, 모든 배치를 순회한 뒤 데이터가 섞인다

# 이미지와 정답(label)을 표시합니다.
train_features, train_labels = next(iter(train_dataloader))
print(f"Feature batch shape: {train_features.size()}")
print(f"Labels batch shape: {train_labels.size()}")
img = train_features[0].squeeze()
label = train_labels[0]
plt.imshow(img, cmap="gray")
plt.show()
print(f"Label: {label}")

 

Out:

Feature batch shape: torch.Size([64, 1, 28, 28])
Labels batch shape: torch.Size([64])

 

 

 

https://tutorials.pytorch.kr/beginner/basics/data_tutorial.html

Dataset과 DataLoader