宝安网站建设 名匠,市场调研报告800字,网站加ico,做靓号网站目录一、环境准备1.进入ModelArts官网2.使用CodeLab体验Notebook实例二、数据变换 TransformsCommon TransformsComposeVision TransformsRescaleNormalizeHWC2CWHText TransformsBasicTokenizerLookupLambda Transforms通常情况下#xff0c;直接加载的原始数据并不能直接送入…
目录一、环境准备1.进入ModelArts官网2.使用CodeLab体验Notebook实例二、数据变换 TransformsCommon TransformsComposeVision TransformsRescaleNormalizeHWC2CWHText TransformsBasicTokenizerLookupLambda Transforms通常情况下直接加载的原始数据并不能直接送入神经网络进行训练此时我们需要对其进行数据预处理。MindSpore提供不同种类的数据变换Transforms配合数据处理Pipeline来实现数据预处理。所有的Transforms均可通过map方法传入实现对指定数据列的处理。 如果你对MindSpore感兴趣可以关注昇思MindSpore社区 一、环境准备
1.进入ModelArts官网
云平台帮助用户快速创建和部署模型管理全周期AI工作流选择下面的云平台以开始使用昇思MindSpore获取安装命令安装MindSpore2.0.0-alpha版本可以在昇思教程中进入ModelArts官网 选择下方CodeLab立即体验 等待环境搭建完成 2.使用CodeLab体验Notebook实例
下载NoteBook样例代码.ipynb为样例代码 选择ModelArts Upload Files上传.ipynb文件 选择Kernel环境 切换至GPU环境 进入昇思MindSpore官网点击上方的安装 获取安装命令 回到Notebook中在第一块代码前加入命令
pip install --upgrade pip本章节中的示例代码依赖download可使用命令pip install download安装
pip install download安装MindSpore2.0.0-alpha版本
conda install mindspore2.0.0a0 -c mindspore -c conda-forge安装mindvision
pip install mindvision导入mindspore
import mindspore
from mindspore import nn
from mindspore.dataset import vision, transforms
from mindspore.dataset import MnistDataset二、数据变换 Transforms
mindspore.dataset提供了面向图像、文本、音频等不同数据类型的Transforms同时也支持使用Lambda函数。下面分别对其进行介绍。
import numpy as np
from PIL import Image
from download import download
from mindspore.dataset import transforms, vision, text
from mindspore.dataset import GeneratorDataset, MnistDatasetCommon Transforms
mindspore.dataset.transforms模块支持一系列通用Transforms。这里我们以Compose为例介绍其使用方式。
Compose
Compose接收一个数据增强操作序列然后将其组合成单个数据增强操作。我们仍基于Mnist数据集呈现Transforms的应用效果。
# Download data from open datasetsurl https://mindspore-website.obs.cn-north-4.myhuaweicloud.com/ \notebook/datasets/MNIST_Data.zip
path download(url, ./, kindzip, replaceTrue)train_dataset MnistDataset(MNIST_Data/train) image, label next(train_dataset.create_tuple_iterator())
print(image.shape) composed transforms.Compose([vision.Rescale(1.0 / 255.0, 0),vision.Normalize(mean(0.1307,), std(0.3081,)),vision.HWC2CHW()]
)
train_dataset train_dataset.map(composed, image)
image, label next(train_dataset.create_tuple_iterator())
print(image.shape) Vision Transforms
mindspore.dataset.vision模块提供一系列针对图像数据的Transforms。在Mnist数据处理过程中使用了Rescale、Normalize和HWC2CHW变换。下面对其进行详述。
Rescale
Rescale变换用于调整图像像素值的大小包括两个参数
rescale缩放因子。shift平移因子。
图像的每个像素将根据这两个参数进行调整输出的像素值为 ∗ℎ
这里我们先使用numpy随机生成一个像素值在[0, 255]的图像将其像素值进行缩放。
random_np np.random.randint(0, 255, (48, 48), np.uint8)
random_image Image.fromarray(random_np)
print(random_np)为了更直观地呈现Transform前后的数据对比我们使用Transforms的Eager模式进行演示。首先实例化Transform对象然后调用对象进行数据处理。
rescale vision.Rescale(1.0 / 255.0, 0)
rescaled_image rescale(random_image)
print(rescaled_image)可以看到使用Rescale后的每个像素值都进行了缩放。
Normalize
Normalize变换用于对输入图像的归一化包括三个参数
mean图像每个通道的均值。std图像每个通道的标准差。is_hwc输入图像格式为(height, width, channel)还是(channel, height, width)。
normalize vision.Normalize(mean(0.1307,), std(0.3081,))
normalized_image normalize(rescaled_image)
print(normalized_image)HWC2CWH
HWC2CWH变换用于转换图像格式。在不同的硬件设备中可能会对(height, width, channel)或(channel, height, width)两种不同格式有针对性优化。MindSpore设置HWC为默认图像格式在有CWH格式需求时可使用该变换进行处理。
这里我们先将前文中normalized_image处理为HWC格式然后进行转换。可以看到转换前后的shape发生了变化。
hwc_image np.expand_dims(normalized_image, -1)
hwc2cwh vision.HWC2CHW()
chw_image hwc2cwh(hwc_image)
print(hwc_image.shape, chw_image.shape)Text Transforms
mindspore.dataset.text模块提供一系列针对文本数据的Transforms。与图像数据不同文本数据需要有分词Tokenize、构建词表、Token转Index等操作。这里简单介绍其使用方法。
首先我们定义三段文本作为待处理的数据并使用GeneratorDataset进行加载。
texts [Welcome to Beijing,北京欢迎您,我喜欢China!,
]test_dataset GeneratorDataset(texts, text)BasicTokenizer
分词Tokenize操作是文本数据的基础处理方法MindSpore提供多种不同的Tokenizer。这里我们选择基础的BasicTokenizer举例。配合map将三段文本进行分词可以看到处理后的数据成功分词。
test_dataset test_dataset.map(text.BasicTokenizer())
print(next(test_dataset.create_tuple_iterator()))Lookup
Lookup为词表映射变换用来将Token转换为Index。在使用Lookup前需要构造词表一般可以加载已有的词表或使用Vocab生成词表。这里我们选择使用Vocab.from_dataset方法从数据集中生成词表。
vocab text.Vocab.from_dataset(test_dataset)获得词表后我们可以使用vocab方法查看词表。
print(vocab.vocab())生成词表后可以配合map方法进行词表映射变换将Token转为Index。
test_dataset test_dataset.map(text.Lookup(vocab))
print(next(test_dataset.create_tuple_iterator()))Lambda Transforms
Lambda函数是一种不需要名字、由一个单独表达式组成的匿名函数表达式会在调用时被求值。Lambda Transforms可以加载任意定义的Lambda函数提供足够的灵活度。在这里我们首先使用一个简单的Lambda函数对输入数据乘2
test_dataset GeneratorDataset([1, 2, 3], data, shuffleFalse)
test_dataset test_dataset.map(lambda x: x * 2)
print(list(test_dataset.create_tuple_iterator()))[[Tensor(shape[], dtypeInt64, value 2)], [Tensor(shape[], dtypeInt64, value 4)], [Tensor(shape[], dtypeInt64, value 6)]] 可以看到map传入Lambda函数后迭代获得数据进行了乘2操作。
我们也可以定义较复杂的函数配合Lambda函数实现复杂数据处理
def func(x):return x * x 2test_dataset test_dataset.map(lambda x: func(x))print(list(test_dataset.create_tuple_iterator()))
