PyTorch, kullanıcıların sinir ağları oluşturmasına/oluşturmasına ve eğitmesine olanak tanıyan derin öğrenme çerçevesidir. Veri kümesi, veri örnekleri ve etiketlerden oluşan bir küme/koleksiyon içeren bir veri yapısıdır. Verilere bir bütün olarak veya indeksleme ve dilimleme işlemlerini kullanarak erişmenin bir yolunu sağlar. Üstelik bir veri kümesi, verilere kırpma, yeniden boyutlandırma vb. gibi dönüşümler de uygulayabilir. Kullanıcılar, PyTorch'ta veri kümesini kolayca yineleyebilir ve görselleştirebilir.
Bu yazı, PyTorch kullanarak belirli bir veri kümesini yineleme ve görselleştirme yöntemini gösterecektir.
PyTorch Kullanarak Veri Kümesini Yineleme ve Görselleştirme Nasıl Yapılır?
PyTorch kullanarak belirli bir veri kümesini yinelemek ve görselleştirmek için sağlanan adımları izleyin:
1. Adım: Gerekli Kitaplığı İçe Aktarın
Öncelikle gerekli kütüphaneleri içe aktarın. Örneğin, aşağıdaki kütüphaneleri içe aktardık:
ithalat meşale
torch.utils.data'dan Veri Kümesini içe aktar
torchvision içe aktarma veri kümelerinden
torchvision.transforms'tan ToTensor'u içe aktarın
matplotlib.pyplot'u içe aktar gibi plt
Burada:
-
- “ ithalat meşale ” PyTorch kütüphanesini içe aktarır.
- “ torch.utils.data'dan Veri Kümesini içe aktar ”, PyTorch'ta özel veri kümeleri oluşturmak için PyTorch'un “torch.utils.data” modülünden “Dataset” sınıfını içe aktarır.
- “ torchvision içe aktarma veri kümelerinden ”, bilgisayarla görme görevleri için önceden tanımlanmış veri kümeleri sağlayan “torchvision” kitaplığından “veri kümeleri” modülünü içe aktarır.
- “ torchvision.transforms'tan ToTensor'u içe aktarın ”, PIL görüntülerini veya NumPy dizilerini PyTorch tensörlerine dönüştürmek için “torchvision.transforms”tan “ToTensor” dönüşümünü içe aktarır.
- “ matplotlib.pyplot'u plt olarak içe aktar ” veri görselleştirmesi için matplotlib kütüphanesini içe aktarır:
2. Adım: Veri Kümesini Yükleyin
Şimdi FashionMNIST veri setini torchvision'dan hem eğitim hem de test amacıyla aşağıdaki parametrelerle yükleyeceğiz:
tr_data = veri kümeleri.FashionMNIST ( kök = 'veri' , tren =Doğru, indirmek =Doğru, dönüştürmek =Tensöre ( ))
ts_data = veri kümeleri.FashionMNIST ( kök = 'veri' , tren =Yanlış, indirmek =Doğru, dönüştürmek =Tensöre ( )
)
Burada:
-
- “ ModaMNIST ” FashionMNIST veri setini torchvision kütüphanesinden yükler.
- “ kök=”veri” ”, veri kümesinin depolanacağı veya zaten mevcutsa yükleneceği dizini belirtir. Bizim durumumuzda bu “veri” dizini.
- “ tren ” eğitim veya test veri kümesini gösterir.
- “ indirme=Doğru ” zaten mevcut değilse veri kümesini indirir.
- “ transform=ToTensor() ”, veri kümesindeki görüntüleri PyTorch tensörlerine dönüştürmek için ToTensor dönüşümünü uygular:
3. Adım: Veri Kümesindeki Sınıfları Etiketleyin
Daha sonra, sınıf endekslerini FashionMNIST veri kümesindeki karşılık gelen sınıf etiketleriyle eşleştiren bir sözlük oluşturun. Her sınıf için insan tarafından okunabilen etiketler sağlar. Burada şunu yarattık: eşlenen_etiket ” sözlüğü ve bunu sınıf indekslerini karşılık gelen sınıf etiketlerine dönüştürmek için kullanacağız:
eşlenen_etiket = {0 : 'Tişört' ,
1 : 'Pantolon' ,
2 : 'Kenara çekmek' ,
3 : 'Elbise' ,
4 : 'Kaban' ,
5 : 'Sandalet' ,
6 : 'Gömlek' ,
7 : 'Spor ayakkabı' ,
8 : 'Çanta' ,
9 : 'Bilek boyu bot' ,
}
Adım 4: Veri Kümesini Görselleştirin
Son olarak “matplotlib” kütüphanesini kullanarak eğitim verilerindeki örnekleri görselleştirin:
incir = plt.şekil ( incir büyüklüğü = ( 8 , 8 ) )sütun , satır = 3 , 3
için Ben içinde menzil ( 1 , sütun * satır + 1 ) :
sample_index = meşale.randint ( sadece ( tr_date ) , boyut = ( 1 , ) ) .öğe ( )
img, etiket = tr_data [ örnek_index ]
fig.add_subplot ( sıra, sütun , Ben )
plt.title ( eşlenen_etiket [ etiket ] )
plt.ekseni ( 'kapalı' )
plt.imshow ( img.squeeze ( ) , cmap = 'gri' )
plt.show ( )
Not : Google Colab Not Defterimize buradan erişebilirsiniz bağlantı .
Bu tamamen istenen veri kümesini PyTorch kullanarak yinelemek ve görselleştirmekle ilgiliydi.
Çözüm
Belirli bir veri kümesini PyTorch kullanarak yinelemek ve görselleştirmek için öncelikle gerekli kitaplıkları içe aktarın. Daha sonra eğitim ve test için istenen veri kümesini gerekli parametrelerle yükleyin. Daha sonra, veri kümesindeki sınıfları etiketleyin ve 'matplotlib' kitaplığını kullanarak eğitim verilerindeki örnekleri görselleştirin. Bu yazıda, PyTorch kullanılarak belirli bir veri kümesini yineleme ve görselleştirme yöntemi gösterilmiştir.