代码改变世界

将数据加载到网络

2018-03-15 17:48  ☆Ronny丶  阅读(...)  评论(...编辑  收藏

训练一个机器学习深度学习模型一般可以简单概括为以下三个步骤:

  • 准备数据
  • 定义网络结构
  • 训练

我们可以把整个过程用下面的一个Pipeline图例来表示。

其中的reader就主要负责把数据按一定的格式feed到深度学习网络的输入层上。不同的深度学习框架对为放进网络中的数据格式要求不一样。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。下面我们会详细来介绍MXNet中的Data Iterator。

MXNet Data Iterator

MXNet里的Date Iterators与Python中的iterator object非常类似。在Python中,有一类被称为iterable的对象,它允许我们使用其中的next方法来顺序的抽取元素,比如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。

在MXNet中,data iterators每次返回一个DataBatch。一个DataBatch一般包含n个训练样本以及它们对应的标签。这里的n一般等于指定的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,可以通过provide_dataprovide_label这两个访法返回的DataDesc对象来获取。

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

下面我们通过使用几个典型的DataIter来说明它的用法。

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,我们可以使用NDArrayIter来读取。

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

#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满足我们的需求时,我们可以自己写一个数据迭代器。那么一个数据迭代器的对象,一定要包括下面几个方法:

  • 实现__next()__(python3),该方法返回一个DataBatch对象,并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。

当我们创建一个新的iterator时,我们可以选择从头创建,也可以选择从一个已经存在的迭代器那扩展。比如果我们要做图像描述(image captioning)的应用。那输入的数据是图像,而对应的Label是一个句子。那我们可以使用ImageRecordIter创建一个image_iter,然后通过NDArrayIter创建一个caption_iter。我们的nxet()方法将返回image_iter.next()caption_iter.next()的一个合并。

下面是我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情况,提供了MXIndexedRecordIO用于随机数据存取的情况。

MXRecordIO

我们先通过一个例子说明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')

我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()

我们再从一个.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()

不同与MXRecordIO对象,我们只能不断的调用read()方法来顺序的获取里面的数据。MXIndexedRecordIO可以随机的访问。

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)
# 也可以单独的把index输出出来
record.keys

打包和解包

我们放到RecordIO里面包含的是一个个pack,它可以是任何二进制数据。但是对于大部分深度学习的任务来说,我们往往需要的是数据/标签这样的格式。mx.recordio提供了一些接口函数来进行这些操作。

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

当我们做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)。所以我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种方法可以让我们选择来把数据加载到MXNet中

  1. 使用mx.image.imdecode来加载原始的图像数据
  2. 使用mx.img.ImageIter它是用Python来实现的,比较灵活,方便我们修改 ,它可以读取.rec的文件或者原始文件。
  3. 使用mx.io.ImageRecordIter它在MXNet中是放在后端用C++实现的,所以不太便于修改。
  4. 自己基于mx.io.DataIter写一个自己的迭代器

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()

通过Image Iterators来加载图片

我们先下载一个数据集,Caltech 101,它包含了101类物体。我们先将它转换成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()

我们先看一下这个数据集,在根目录下(./data/101_ObjectCategories),每一个类别都是一个子文件平。我们可以使用脚本im2rec.py来将整个目录转化为成ReecordIO文件。第一步,我们把所有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。然后我们就可以用这个文件列表信息云生成我们的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可以通过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,我们可以使用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()