深度学习——怎样读取本地数据作为训练集和测试集

​活动地址：CSDN21天学习挑战赛

​​​​​​​​

目录

图片识别类数据集导入

利用pathlib库检测数据集（如果数据集路径正确，这一步可以不用）

本地数据集的目录结构

pathlib库检测数据集

利用image_dataset_from_directory方法导入数据集

image_dataset_from_directory方法的介绍（参数、返回值、总结）：

1. 参数说明：

2. 返回值介绍：​​​​​​​

3. 总结：

Dataset的额外处理

cache()函数

shuffle(buffer_size=)函数

prefetch(buffer_size=)函数

在机器学习的实践中，我们通常会遇到一些用到提前通过网络下载到本地计算机的数据集，而之前博客中的实例，都是利用tf.keras.datasets包中的现成的数据集直接load_data()

# 导入服装图像数据集（此外还有mnist，cifar10等数据集）
(train_images, train_labels), (
test_images, test_labels) = tf.keras.datasets.fashion_mnist.load_data()  # datasets内部集成了数据集，

一些tensorflow内置数据集链接

​​​​​​​常用数据集 Datasets - Keras 中文文档   

TensorFlow Datasets

本篇博客将介绍怎么导入这些下载到本地的数据集​​​

图片识别类数据集导入

利用pathlib库检测数据集（如果数据集路径正确，这一步可以不用）

首先利用pathlib库，计算数据集总数，以及查看某数据集图片，确保数据集路径的正确

pathlib库将在下篇博客介绍，这里显示图片是用PIL库内的Image类

PS：这里数据集用的是 花朵数据集

​

 右键url内容，转到链接，即可开始下载

本地数据集的目录结构

首先我们来看一下数据集的目录结构：

​

图像识别类数据集一般都有若按个子目录，子目录数即为CNN神经网络最后Dense层的输出维度，每个子目录下即有若干张图片，子目录名即为标签名。训练集，测试集混合

pathlib库检测数据集

# 设置数据集路径（这个路径是分类文件夹的上级目录）
data_url = "E:/Download/flower_photos/flower_photos"  # 数据集路径 注意\换成/，不然读不到数据
data_url = pathlib.Path(data_url)  # 生成Path对象
image_count = len(list(data_url.glob("*/*.jpg"))) # 图片总数为： 3670
# glob在此路径表示的目录中下全局查找给定的相对pattern，生成所有匹配的文件列表 *是递归查找的意思
print("图片总数为：", image_count) # 获取数据集中的图片总数
roses = list(data_url.glob("daisy/*.jpg"))
Image.open(roses[0]).show()  # 调取默认的图片打开应用，打开open路径指定的图片

调用Windows图片显示软件，打开roses[0]路径所表示的图片

​

 十分重要的是：数据集路径data_url 中的 \ 要替换成 /

利用image_dataset_from_directory方法导入数据集

image_dataset_from_directory方法的介绍（参数、返回值、总结）：

这里我使用的是 tensorflow 2.8.0 keras 2.8.0 (不同版本该方法所在的包有不同)

在我的使用版本中，该方法是在 keras.preprocessing,image 包中

即方法全名为：keras.preprocessing.image.image_dataset_from_directory

def image_dataset_from_directory(directory: Any,
                                 labels: str = 'inferred',
                                 label_mode: str = 'int',
                                 class_names: Any = None,
                                 color_mode: str = 'rgb',
                                 batch_size: int = 32,
                                 image_size: tuple[int, int] = (256, 256),
                                 shuffle: bool = True,
                                 seed: Any = None,
                                 validation_split: {__mul__} = None,
                                 subset: {__eq__} = None,
                                 interpolation: str = 'bilinear',
                                 follow_links: bool = False,
                                 crop_to_aspect_ratio: bool = False,
                                 **kwargs: Any) -> Any

1. 参数说明：

• directory ：Any类型，这里directory可以传字符串数据集路径（注意 路径中是/ ），也可以传pathlib的Path对象
• labels：str类型，默认值是inferred，表示标签从目录结构中生成，子目录按照字母顺序从0开始编号
• label_mode：str类型，默认值是int，指label的索引值是0~class_names.length-1 label_mode的值类型还可以是 categorica,binary(索引要么是0要么是1)
• class_names：Any类型，仅当labels值为inferred时有效，存储实际标签名（按子目录字母顺序排序一一对应）的列表或元组
• color_mode：str类型，默认值是rgb（3通道），还可以是grayscale（1通道），rgba（4通道）
• batch_size：int类型，默认值是32，一次取样的大小
• image_size：int两元组，默认值是(256,256)
• shuffle：bool类型，默认值True，表示打乱数据
• seed：随机数种子，int型数即可（例如123，一般验证集训练集两个函数的seed要相同）。如果使用validation_split和shuffle,则必须提供一个seed参数,确保train和validation子集之间没有重叠。
• validation_split：数据集中验证集的比例，double型，0~1
• subset：str类型，有"training"和"validation"两种取值，表示函数返回的是训练集还是验证集
• interpolation：str类型，指定图像大小调整时的插值方法，默认值是bilinear(双线性插值)，此外还有nearest(最邻近插值)，bucubic(双三次插值)，lanczos3，lanczos5。

        nearest：这个算法的优点是计算简单方便，缺点是图像容易出现锯齿。

        bucubic：效果最好，但耗时

        bilinear与lanczos用时相仿，但lanczos效果更好

2. 返回值介绍：​​​​​​​

函数返回 tensorflow.data.Dataset 类型的对象

Dataset对象可以看成一个元组列表，每个元组有batch_size个image和bacth_size个label，image和label一一对应，而列表有总大小/batch_size个

这里介绍我们使用该返回值的常用方法：

• 直接作为训练集和测试集使用，内部封装了（images,labels）

history = model.fit(train_data, epochs=6,
                    validation_data=test_data)

# 预测
pre = model.predict(test_data)  # 对所有测试图片进行预测

• 可以通过take(数字n)按顺序获取Dataset中n个batch_size的元组

        通过take得到的image数据是张量，显示图片时候需要先归一化 numpy()/255.0

        

for train_image, train_label in train_data.take(1):
    for i in range(len(train_image)):
        plt.subplot(5, 10, i + 1)
        plt.xticks([])
        plt.yticks([])
        plt.grid(False)
        plt.imshow(train_image[i].numpy() / 255., cmap=plt.cm.binary)
        plt.xlabel(class_names[train_label[i]])
    plt.show()

• 可以通过as_numpy_iterator()返回Dataset中所有的元组数据

        该方法得到的image数据就是numpy数字，直接 /255.0 归一化即可

for test_image, test_label in test_data.as_numpy_iterator():
    for i in range(len(test_image)):
        plt.subplot(5, 10, i + 1)
        plt.xticks([])
        plt.yticks([])
        plt.grid(False)
        plt.imshow(test_image[i]/255.0, cmap=plt.cm.binary)
        plt.xlabel(class_names[test_label[i]])
    plt.show()
    break

3. 总结：

一般使用该函数时，如果没有更高的要求，只需要指定 directory、class_names、color_mode、image_size、subset、validation_split、seed即可

（interpolation可以指定为lanczos3，batch_size也可以指定为其他2的幂）

代码示例：

batch_size = 32
image_width = 256
image_height = 256
class_names = ['daisy', 'dandelion', 'roses', 'sunflowers', 'tulips']
train_data = keras.preprocessing.image.image_dataset_from_directory(
    directory="E:/Download/flower_photos/flower_photos",
    class_names=class_names,
    color_mode='rgb',
    batch_size=batch_size,
    image_size=(image_width, image_height),
    subset='training',
    validation_split=0.2,
    seed=123
)
test_data = keras.preprocessing.image.image_dataset_from_directory(
    directory=data_url, # 之前的data_url
    class_names=class_names,
    color_mode='rgb',
    batch_size=batch_size,
    image_size=(image_width, image_height),
    subset='validation',
    validation_split=0.2,
    seed=123
)
# train_data中包含了train_image和train_label
# test_data中包含了test_image和test_label

Dataset的额外处理

cache()函数

使用cache函数可以提高程序性能，主要是通过在第一次epoch迭代时，将数据集加入缓存中，后续epoch迭代从缓存中读取即可

使用注意事项：

• 必须完整的输入迭代的数据集，如果有缺少的数据集，那么该缺少的数据集不会产生缓存数据
• 由于cache()每次迭代生成的数据相同，所以后面必须接shuffle函数

shuffle(buffer_size=)函数

shuffle(buffer_size)的主要功能是扰乱数据

主要实现机理是：

​

prefetch(buffer_size=)函数

prefetch()函数用于生成一个数据集，该数据集从该给定数据集中预取指定数量buffer_size个元素。

通常buffer_size参数取 tensorflow.data.AUTOTUNE (值是-1)该参数是表示prefetch函数自动选择合适的buffer_size

代码：

train_data = train_data.cache().shuffle(1000).prefetch(buffer_size=tf.data.AUTOTUNE)  # 自动寻找合适的 buffer_size
test_data = test_data.cache().prefetch(buffer_size=tf.data.AUTOTUNE)

# train_data是训练集，训练需要保证数据集的无关性，所以需要扰乱
# 测试集不用于训练，且测试数据有没有顺序都不要紧，故不用扰乱