将数据加载到网络

时间 2019-11-06

原文原文链接

训练一个机器学习深度学习模型通常能够简单归纳为如下三个步骤：python

准备数据
定义网络结构
训练

咱们能够把整个过程用下面的一个Pipeline图例来表示。
后端

其中的reader就主要负责把数据按必定的格式feed到深度学习网络的输入层上。不一样的深度学习框架对为放进网络中的数据格式要求不同。在MXNet中对于Module的训练与推理接口要求的数据都是一个data iterator。下面咱们会详细来介绍MXNet中的Data Iterator。网络

MXNet Data Iterator

MXNet里的Date Iterators与Python中的iterator object很是相似。在Python中，有一类被称为iterable的对象，它容许咱们使用其中的next方法来顺序的抽取元素，好比list。迭代法器提供了一种遍历整个容器的简便方法，而不用关心容器具体的内容。框架

在MXNet中，data iterators每次返回一个DataBatch。一个DataBatch通常包含n个训练样本以及它们对应的标签。这里的n通常等于指定的batch size，当整个数据流迭代到尾巴，没有更多的数据返回时，迭代器将返回一个StopIteration的异常。DataBatch里包含了一些关于样本的信息：名称，形状，数据类型以及内在布局，能够经过provide_data和provide_label这两个访法返回的DataDesc对象来获取。dom

全部MXNet关于IO的处理都是由mx.io.DataIter以及它的子类来完成的。机器学习

下面咱们经过使用几个典型的DataIter来讲明它的用法。分布式

从内存中读取数据

当数据是在内存中，以NDArray或者numpy中的ndarray的形式存在时，咱们可使用NDArrayIter来读取。ide

import mxnet as mx
%matplotlib inline
import os
import sys
import subprocess
import numpy as np
import matplotlib.pyplot as plt
import tarfile

import warnings
warnings.filterwarnings("ignore", category=DeprecationWarning)

import numpy as np
data = np.random.rand(100,3)
label = np.random.randint(0, 10, (100,))
data_iter = mx.io.NDArrayIter(data=data, label=label, batch_size=30)
for batch in data_iter:
    print([batch.data, batch.label, batch.pad])

从CSV文件中读取数据

MXNet提供了CSVIter来方便使用者直接从一个CSV文件中读取数据函数

#lets save `data` into a csv file first and try reading it back
np.savetxt('data.csv', data, delimiter=',')
data_iter = mx.io.CSVIter(data_csv='data.csv', data_shape=(3,), batch_size=30)
for batch in data_iter:
    print([batch.data, batch.pad])

自定义一个数据迭代器

当MXNet提供的一些数据迭代器不知足咱们的需求时，咱们能够本身写一个数据迭代器。那么一个数据迭代器的对象，必定要包括下面几个方法：布局

实现__next()__(python3)，该方法返回一个DataBatch对象，而且当没有剩余数据时，返回一个StopIteration的异常
实现reset()方法用于重置数据读取到开始的位置
提供了provide_data属性，它是一个DataDesc对象的list，存储了数据的名称，形状，数据类型及内在布局信息。
提供了provide_label属性，它是一个DataDesc对象的list，存储了标签的名称，形状，数据类型及内在布局信息。

当咱们建立一个新的iterator时，咱们能够选择从头建立，也能够选择从一个已经存在的迭代器那扩展。好比果咱们要作图像描述(image captioning)的应用。那输入的数据是图像，而对应的Label是一个句子。那咱们可使用ImageRecordIter建立一个image_iter，而后经过NDArrayIter建立一个caption_iter。咱们的nxet()方法将返回image_iter.next()与caption_iter.next()的一个合并。

下面是咱们自定义的一个迭代器。

class SimpleIter(mx.io.DataIter):
    def __init__(self, data_names, data_shapes, data_gen,
                 label_names, label_shapes, label_gen, num_batches=10):
        self._provide_data = list(zip(data_names, data_shapes))
        self._provide_label = list(zip(label_names, label_shapes))
        self.num_batches = num_batches
        self.data_gen = data_gen
        self.label_gen = label_gen
        self.cur_batch = 0

    def __iter__(self):
        return self

    def reset(self):
        self.cur_batch = 0

    def __next__(self):
        return self.next()

    @property
    def provide_data(self):
        return self._provide_data

    @property
    def provide_label(self):
        return self._provide_label

    def next(self):
        if self.cur_batch < self.num_batches:
            self.cur_batch += 1
            data = [mx.nd.array(g(d[1])) for d,g in zip(self._provide_data, self.data_gen)]
            label = [mx.nd.array(g(d[1])) for d,g in zip(self._provide_label, self.label_gen)]
            return mx.io.DataBatch(data, label)
        else:
            raise StopIteration

Record IO

Record IO是MXNet为了数据IO设计的一种文件格式。它将数据打包成一种十分便于在分布式存储系统，如HDFS和AWS S3上进行高效读取的数据块。MXNet提供了MXRecordIO用于顺序数据存储的状况，提供了MXIndexedRecordIO用于随机数据存取的状况。

MXRecordIO

咱们先经过一个例子说明MXRecordIO用于顺序数据读写的用法。

def str_or_bytes(str):
    """
    A utility function for this tutorial that helps us convert string 
    to bytes if we are using python3.

    Parameters
    ----------
    str : string

    Returns
    -------
    string (python2) or bytes (python3)
    """
    if sys.version_info[0] < 3:
        return str
    else:
        return bytes(str, 'utf-8')

咱们将几个连续的字符串写到一个以.rec结尾的文件中

record = mx.recordio.MXRecordIO('tmp.rec', 'w')
for i in range(5):
    record.write(str_or_bytes('record_%d'%i))

record.close()

咱们再从一个.rec文件中来顺序的读取

record = mx.recordio.MXRecordIO('tmp.rec', 'r')
while True:
    item = record.read()
    if not item:
        break
    print (item)
record.close()

不一样与MXRecordIO对象，咱们只能不断的调用read()方法来顺序的获取里面的数据。MXIndexedRecordIO能够随机的访问。

record = mx.recordio.MXIndexedRecordIO('tmp.idx', 'tmp.rec', 'w')
for i in range(5):
    record.write_idx(i, str_or_bytes('record_%d'%i))

record.close()

record = mx.recordio.MXIndexedRecordIO('tmp.idx', 'tmp.rec', 'r')
record.read_idx(3)

# 也能够单独的把index输出出来
record.keys

打包和解包

咱们放到RecordIO里面包含的是一个个pack，它能够是任何二进制数据。可是对于大部分深度学习的任务来讲，咱们每每须要的是数据/标签这样的格式。mx.recordio提供了一些接口函数来进行这些操做。

Packing/Unpacking Binary Data

# pack
data = 'data'
label1 = 1.0
header1 = mx.recordio.IRHeader(flag=0, label=label1, id=1, id2=0)
s1 = mx.recordio.pack(header1, str_or_bytes(data))

label2 = [1.0, 2.0, 3.0]
header2 = mx.recordio.IRHeader(flag=3, label=label2, id=2, id2=0)
s2 = mx.recordio.pack(header2, str_or_bytes(data))

# unpack
print(mx.recordio.unpack(s1))
print(mx.recordio.unpack(s2))

Packing/Unpacking Image Data

data = np.ones((3,3,1), dtype=np.uint8)
label = 1.0
header = mx.recordio.IRHeader(flag=0, label=label, id=0, id2=0)
s = mx.recordio.pack_img(header, data, quality=100, img_fmt='.jpg')

# unpack_img
print(mx.recordio.unpack_img(s))

图像IO

当咱们作计算机视频方面的应用时，要处理的大部分数据都是图像与视频（也会拆成视频帧处理）。因此咱们这个小节重点介绍在MXNet中是如何处理输入数据为图像的场景的。

有4种方法可让咱们选择来把数据加载到MXNet中

使用mx.image.imdecode来加载原始的图像数据
使用mx.img.ImageIter它是用Python来实现的，比较灵活，方便咱们修改，它能够读取.rec的文件或者原始文件。
使用mx.io.ImageRecordIter它在MXNet中是放在后端用C++实现的，因此不太便于修改。
本身基于mx.io.DataIter写一个本身的迭代器

图像的处理

fname = mx.test_utils.download(url='http://data.mxnet.io/data/test_images.tar.gz', dirname='data', overwrite=False)
tar = tarfile.open(fname)
tar.extractall(path='./data')
tar.close()

img = mx.image.imdecode(open('data/test_images/ILSVRC2012_val_00000001.JPEG', 'rb').read())
plt.imshow(img.asnumpy()); plt.show()

# resize to w x h
tmp = mx.image.imresize(img, 100, 70)
plt.imshow(tmp.asnumpy()); plt.show()

# crop a random w x h region from image
tmp, coord = mx.image.random_crop(img, (150, 200))
print(coord)
plt.imshow(tmp.asnumpy()); plt.show()

经过Image Iterators来加载图片

咱们先下载一个数据集，Caltech 101，它包含了101类物体。咱们先将它转换成RecordIO格式文件。

fname = mx.test_utils.download(url='http://www.vision.caltech.edu/Image_Datasets/Caltech101/101_ObjectCategories.tar.gz', dirname='data', overwrite=False)
tar = tarfile.open(fname)
tar.extractall(path='./data')
tar.close()

咱们先看一下这个数据集，在根目录下（./data/101_ObjectCategories），每个类别都是一个子文件平。咱们可使用脚本im2rec.py来将整个目录转化为成ReecordIO文件。第一步，咱们把全部的图片路径以及它们的label列到一个文本中。

os.system('python %s/tools/im2rec.py --list=1 --recursive=1 --shuffle=1 --test-ratio=0.2 data/caltech data/101_ObjectCategories'%os.environ['MXNET_HOME'])

上面的命令会生成一个caltech_train.lst的文件，文件的内容是index\t(one or more label)\tpath的格式。在这个例子中，只有一个label。而后咱们就能够用这个文件列表信息云生成咱们的RecordIO文件了。

os.system("python %s/tools/im2rec.py --num-thread=4 --pass-through=1 data/caltech data/101_ObjectCategories"%os.environ['MXNET_HOME'])

ImageRecordIter能够经过RecordIO格式来加载图片数据。

data_iter = mx.io.ImageRecordIter(
    path_imgrec="./data/caltech.rec", # the target record file
    data_shape=(3, 227, 227), # output data shape. An 227x227 region will be cropped from the original image.
    batch_size=4, # number of samples per batch
    resize=256 # resize the shorter edge to 256 before cropping
    # ... you can add more augumentation options as defined in ImageRecordIter.
    )
data_iter.reset()
batch = data_iter.next()
data = batch.data[0]
for i in range(4):
    plt.subplot(1,4,i+1)
    plt.imshow(data[i].asnumpy().astype(np.uint8).transpose((1,2,0)))
plt.show()

除了ImageRecordIter外，咱们可使用ImageIter来读取一个RecordIO文件或者直接读取原始格式的文件。

data_iter = mx.image.ImageIter(batch_size=4, data_shape=(3, 227, 227),
                              path_imgrec="./data/caltech.rec",
                              path_imgidx="./data/caltech.idx" )
data_iter.reset()
batch = data_iter.next()
data = batch.data[0]
for i in range(4):
    plt.subplot(1,4,i+1)
    plt.imshow(data[i].asnumpy().astype(np.uint8).transpose((1,2,0)))
plt.show()