項(xiàng)目場(chǎng)景
pytorch訓(xùn)練時(shí)我們一般把數(shù)據(jù)集放到數(shù)據(jù)加載器里，然后分批拿出來訓(xùn)練。訓(xùn)練前我們一般還要看一下訓(xùn)練數(shù)據(jù)長啥樣，也就是訓(xùn)練數(shù)據(jù)集可視化。
那么如何顯示dataloader里面帶batch的tensor類型的圖像呢？
顯示圖像
繪圖最常用的庫就是matplotlib：
顯示圖像會(huì)用到matplotlib.pyplot.imshow方法。查閱官方文檔可知，該方法接收的圖像的通道數(shù)要放到后面：
數(shù)據(jù)加載器中數(shù)據(jù)的維度是[B, C, H, W]，我們每次只拿一個(gè)數(shù)據(jù)出來就是[C, H, W]，而matplotlib.pyplot.imshow要求的輸入維度是[H, W, C]，所以我們需要交換一下數(shù)據(jù)維度，把通道數(shù)放到最后面，這里用到pytorch里面的permute方法（transpose方法也行，不過要交換兩次，沒這個(gè)方便，numpy中的transpose方法倒是可以一次交換完成）
用法示例如下：
>>> x = torch.randn(2, 3, 5)
>>> x.size()
torch.Size([2, 3, 5])
>>> x.permute(1, 2, 0).size()
torch.Size([3, 5, 2])
代碼示例
#%% 導(dǎo)入模塊
import torch
import matplotlib.pyplot as plt
from torchvision.utils import make_grid
from torch.utils.data import DataLoader
from torchvision import datasets, transforms
#%% 下載數(shù)據(jù)集
train_file = datasets.MNIST(
root='./dataset/',
train=True,
transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
]),
download=True
)
#%% 制作數(shù)據(jù)加載器
train_loader = DataLoader(
dataset=train_file,
batch_size=9,
shuffle=True
)
#%% 訓(xùn)練數(shù)據(jù)可視化
images, labels = next(iter(train_loader))
print(images.size()) # torch.Size([9, 1, 28, 28])
plt.figure(figsize=(9, 9))
for i in range(9):
plt.subplot(3, 3, i+1)
plt.title(labels[i].item())
plt.imshow(images[i].permute(1, 2, 0), cmap='gray')
plt.axis('off')
plt.show()
這里以mnist數(shù)據(jù)集為例，演示一下顯示效果。我這個(gè)代碼其實(shí)還有一點(diǎn)小問題。數(shù)據(jù)增強(qiáng)的時(shí)候我不是進(jìn)行標(biāo)準(zhǔn)化了嘛，就是在第7行代碼：Normalize((0.1307,), (0.3081,))。
所以，如果你想查看訓(xùn)練集的原始圖像，還得反標(biāo)準(zhǔn)化。
標(biāo)準(zhǔn)化：image = (image-mean)/std
反標(biāo)準(zhǔn)化：image = image*std+mean
我拿imagenet中的一個(gè)螞蟻和蜜蜂的子集做了一下實(shí)驗(yàn)，標(biāo)準(zhǔn)化前后的區(qū)別還是很明顯的：
最終效果
補(bǔ)充：PIL，plt顯示tensor類型的圖像
該方法針對(duì)顯示Dataloader讀取的圖像
PIL 與plt中對(duì)應(yīng)操作不同，但原理是一樣的，我試過用下方代碼Image的方法在plt上show失敗了，原因暫且不知。
# 方法1：Image.show()
# transforms.ToPILImage()中有一句
# npimg = np.transpose(pic.numpy(), (1, 2, 0))
# 因此pic只能是3-D Tensor，所以要用image[0]消去batch那一維
img = transforms.ToPILImage(image[0])
img.show()
# 方法2：plt.imshow(ndarray)
img = image[0] # plt.imshow()只能接受3-D Tensor，所以也要用image[0]消去batch那一維
img = img.numpy() # FloatTensor轉(zhuǎn)為ndarray
img = np.transpose(img, (1,2,0)) # 把channel那一維放到最后
# 顯示圖片
plt.imshow(img)
plt.show()
cnt += 1
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:- Pytorch自定義Dataset和DataLoader去除不存在和空數(shù)據(jù)的操作
- pytorch Dataset,DataLoader產(chǎn)生自定義的訓(xùn)練數(shù)據(jù)案例
- PyTorch實(shí)現(xiàn)重寫/改寫Dataset并載入Dataloader
- 一文弄懂Pytorch的DataLoader, DataSet, Sampler之間的關(guān)系
- PyTorch 解決Dataset和Dataloader遇到的問題
- PyTorch 如何自動(dòng)計(jì)算梯度
- pytorch中F.avg_pool1d()和F.avg_pool2d()的使用操作
- 我對(duì)PyTorch dataloader里的shuffle=True的理解
- 解決pytorch下只打印tensor的數(shù)值不打印出device等信息的問題
- Pytorch 如何查看、釋放已關(guān)閉程序占用的GPU資源
- pytorch中的squeeze函數(shù)、cat函數(shù)使用
- Pytorch數(shù)據(jù)讀取之Dataset和DataLoader知識(shí)總結(jié)
