在介绍softmax回归的实现前我们先引入一个多类图像分类数据集。它将在后面的章节中被多次使用，以方便我们观察比较算法之间在模型精度和计算效率上的区别。图像分类数据集中最常用的是手写数字识别数据集MNIST[1]。但大部分模型在MNIST上的分类精度都超过了95%。为了更直观地观察算法之间的差异，我们将使用一个图像内容更加复杂的数据集Fashion-MNIST[2]（这个数据集也比较小，只有几十M，没有GPU的电脑也能吃得消）。

本节我们将使用torchvision包，它是服务于PyTorch深度学习框架的，主要用来构建计算机视觉模型。torchvision主要由以下几部分构成：

  1. torchvision.datasets: 一些加载数据的函数及常用的数据集接口；
  2. torchvision.models: 包含常用的模型结构（含预训练模型），例如AlexNet、VGG、ResNet等；
  3. torchvision.transforms: 常用的图片变换，例如裁剪、旋转等；
  4. torchvision.utils: 其他的一些有用的方法。

3.5.1 获取数据集

首先导入本节需要的包或模块。

  1. import torch
  2. import torchvision
  3. import torchvision.transforms as transforms
  4. import matplotlib.pyplot as plt
  5. import time
  6. import sys
  7. sys.path.append("..") # 为了导入上层目录的d2lzh_pytorch
  8. import d2lzh_pytorch as d2l

下面，我们通过torchvision的torchvision.datasets来下载这个数据集。第一次调用时会自动从网上获取数据。我们通过参数train来指定获取训练数据集或测试数据集（testing data set）。测试数据集也叫测试集（testing set），只用来评价模型的表现，并不用来训练模型。

另外我们还指定了参数transform = transforms.ToTensor()使所有数据转换为Tensor，如果不进行转换则返回的是PIL图片。transforms.ToTensor()将尺寸为 (H x W x C) 且数据位于[0, 255]的PIL图片或者数据类型为np.uint8的NumPy数组转换为尺寸为(C x H x W)且数据类型为torch.float32且位于[0.0, 1.0]的Tensor。

注意： 由于像素值为0到255的整数，所以刚好是uint8所能表示的范围，包括transforms.ToTensor()在内的一些关于图片的函数就默认输入的是uint8型，若不是，可能不会报错但可能得不到想要的结果。所以，如果用像素值(0-255整数)表示图片数据，那么一律将其类型设置成uint8，避免不必要的bug。 本人就被这点坑过，详见我的这个博客2.2.4节。

  1. mnist_train = torchvision.datasets.FashionMNIST(root='~/Datasets/FashionMNIST', train=True, download=True, transform=transforms.ToTensor())
  2. mnist_test = torchvision.datasets.FashionMNIST(root='~/Datasets/FashionMNIST', train=False, download=True, transform=transforms.ToTensor())

上面的mnist_train和mnist_test都是torch.utils.data.Dataset的子类，所以我们可以用len()来获取该数据集的大小，还可以用下标来获取具体的一个样本。训练集中和测试集中的每个类别的图像数分别为6,000和1,000。因为有10个类别，所以训练集和测试集的样本数分别为60,000和10,000。

  1. print(type(mnist_train))
  2. print(len(mnist_train), len(mnist_test))

输出：

  1. <class 'torchvision.datasets.mnist.FashionMNIST'>
  2. 60000 10000

我们可以通过下标来访问任意一个样本:

  1. feature, label = mnist_train[0]
  2. print(feature.shape, label)  # Channel x Height x Width

输出：

  1. torch.Size([1, 28, 28]) tensor(9)

变量feature对应高和宽均为28像素的图像。由于我们使用了transforms.ToTensor()，所以每个像素的数值为[0.0, 1.0]的32位浮点数。需要注意的是，feature的尺寸是 (C x H x W) 的，而不是 (H x W x C)。第一维是通道数，因为数据集中是灰度图像，所以通道数为1。后面两维分别是图像的高和宽。

Fashion-MNIST中一共包括了10个类别，分别为t-shirt（T恤）、trouser（裤子）、pullover（套衫）、dress（连衣裙）、coat（外套）、sandal（凉鞋）、shirt（衬衫）、sneaker（运动鞋）、bag（包）和ankle boot（短靴）。以下函数可以将数值标签转成相应的文本标签。

  1. # 本函数已保存在d2lzh包中方便以后使用
  2. def get_fashion_mnist_labels(labels):
  3.     text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat',
  4.                    'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']
  5.     return [text_labels[int(i)] for i in labels]

下面定义一个可以在一行里画出多张图像和对应标签的函数。

  1. # 本函数已保存在d2lzh包中方便以后使用
  2. def show_fashion_mnist(images, labels):
  3.     d2l.use_svg_display()
  4.     # 这里的_表示我们忽略（不使用）的变量
  5.     _, figs = plt.subplots(1, len(images), figsize=(12, 12))
  6.     for f, img, lbl in zip(figs, images, labels):
  7.         f.imshow(img.view((28, 28)).numpy())
  8.         f.set_title(lbl)
  9.         f.axes.get_xaxis().set_visible(False)
  10.         f.axes.get_yaxis().set_visible(False)
  11.     plt.show()

现在，我们看一下训练数据集中前10个样本的图像内容和文本标签。

  1. X, y = [], []
  2. for i in range(10):
  3.     X.append(mnist_train[i][0])
  4.     y.append(mnist_train[i][1])
  5. show_fashion_mnist(X, get_fashion_mnist_labels(y))

3.5_output1.png

3.5.2 读取小批量

我们将在训练数据集上训练模型，并将训练好的模型在测试数据集上评价模型的表现。前面说过，mnist_train是torch.utils.data.Dataset的子类，所以我们可以将其传入torch.utils.data.DataLoader来创建一个读取小批量数据样本的DataLoader实例。

在实践中，数据读取经常是训练的性能瓶颈，特别当模型较简单或者计算硬件性能较高时。PyTorch的DataLoader中一个很方便的功能是允许使用多进程来加速数据读取。这里我们通过参数num_workers来设置4个进程读取数据。

  1. batch_size = 256
  2. if sys.platform.startswith('win'):
  3.     num_workers = 0  # 0表示不用额外的进程来加速读取数据
  4. else:
  5.     num_workers = 4
  6. train_iter = torch.utils.data.DataLoader(mnist_train, batch_size=batch_size, shuffle=True, num_workers=num_workers)
  7. test_iter = torch.utils.data.DataLoader(mnist_test, batch_size=batch_size, shuffle=False, num_workers=num_workers)

我们将获取并读取Fashion-MNIST数据集的逻辑封装在d2lzh_pytorch.load_data_fashion_mnist函数中供后面章节调用。该函数将返回train_iter和test_iter两个变量。随着本书内容的不断深入，我们会进一步改进该函数。它的完整实现将在5.6节中描述。

最后我们查看读取一遍训练数据需要的时间。

  1. start = time.time()
  2. for X, y in train_iter:
  3.     continue
  4. print('%.2f sec' % (time.time() - start))

输出：

  1. 1.57 sec

小结

  • Fashion-MNIST是一个10类服饰分类数据集，之后章节里将使用它来检验不同算法的表现。
  • 我们将高和宽分别为3.5 图像分类数据集（Fashion-MNIST） - 图2和3.5 图像分类数据集（Fashion-MNIST） - 图3像素的图像的形状记为3.5 图像分类数据集（Fashion-MNIST） - 图4或(h，w)。

参考文献

[1] LeCun, Y., Cortes, C., & Burges, C. http://yann.lecun.com/exdb/mnist/

[2] Xiao, H., Rasul, K., & Vollgraf, R. (2017). Fashion-mnist: a novel image dataset for benchmarking machine learning algorithms. arXiv preprint arXiv:1708.07747.

注：本节除了代码之外与原书基本相同，原书传送门