[PyTorch] DATASET / DATALOADER

DATASET / DATALOADER

 

데이터 샘플을 처리하는 코드는 지저분(messy)하고 유지보수가 어려울 수 있다. 더 나은 가독성 (readability)과 모듈성 (modularity)을 위해 데이터셋 코드를 모델 학습 코드로부터 분리하는 것이 이상적다. PyTorch는 torch.utils.data.DataLoader와 torch.utils.data.Dataset의 두 가지 데이터 기본 요소를 제공하여 미리 준비해둔 (pre-loaded) 데이터셋 뿐만 아니라 가지고 있는 데이터를 사용할 수 있도록 한다. Dataset은 샘플과 정답 (label)을 저장하고, DataLoader는 Dataset을 샘플에 쉽게 접근할 수 있도록 순회 가능한 객체 (iterable)로 감싼다.

 

PyTorch의 도메인 특화 라이브러리들은 (FashionMNIST와 같은) 미리 준비해둔 다양한 데이터셋을 제공한다. 데이터셋은 torch.utils.data.Dataset의 하위 클래스로 개별 데이터를 특정하는 함수가 구현되어 있다. 이러한 데이터셋은 모델을 만들어보고(prototype) 성능을 측정(benchmark)하는데 사용할 수 있다.

 

데이터셋 불러오기

 

TorchVision에서 Fashion-MNIST 데이터셋은 Zalando의 기사 이미지 데이터셋으로 60,000개의 학습 예제와 10,000개의 테스트 예제로 이루어져 있다. 각 예제는 흑백 (grayscale)의 28x28 이미지와 10개 분류 (class) 중 하나인 정답 (label)으로 구성된다. 다음 매개변수들을 사용하여 FashionMNIST 데이터셋 을 불러온다.

 

root는 학습/테스트 데이터가 저장되는 경로 train은 학습용 또는 테스트용 데이터셋 여부를 지정 download=True는 root에 데이터가 없는 경우 인터넷에서 다운로드 transform과 target_transform은 특징 (feature)과 정답 (label) 변형 (transform)을 지정

import torch
from torch.utils.data import Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plt

training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)

 

데이터 시각화

 

Dataset에 리스트 (list)처럼 직접 접근 (index)할 수 있다 (training_data[index]). matplotlib을 사용하여 학습 데이터의 일부를 시각화한다.

 

labels_map = {
    0: "T-Shirt",
    1: "Trouser",
    2: "Pullover",
    3: "Dress",
    4: "Coat",
    5: "Sandal",
    6: "Shirt",
    7: "Sneaker",
    8: "Bag",
    9: "Ankle Boot",
}

figure = plt.figure(figsize=(8, 8))
cols, rows = 3, 3

for i in range(1, cols * rows + 1):
    sample_idx = torch.randint(len(training_data), size=(1,)).item()
    img, label = training_data[sample_idx]
    figure.add_subplot(rows, cols, i)
    plt.title(labels_map[label])
    plt.axis("off")
    plt.imshow(img.squeeze(), cmap="gray")
    
plt.show()

 

사용자 정의 데이터셋 만들기

 

사용자 정의 Dataset 클래스는 반드시 3개 함수 ( __init__, __len__ 및 __getitem__)를 구현해야 한다. FashionMNIST 이미지들은 img_dir 디렉토리에 저장되고, 정답은 annotations_file csv 파일에 별도로 저장된다.

 

__init__	__init__ 함수는 Dataset 객체가 생성 (instantiate)될 때 한 번만 실행된다. 여기서는 이미지와 주석 파일 (annotation_file)이 포함된 디렉토리와 두가지 변형(transform)을 초기화한다.
__len__	__len__ 함수는 데이터셋의 샘플 개수를 반환한다.
__getitem__	__getitem__ 함수는 주어진 인덱스 idx 에 해당하는 샘플을 데이터셋에서 불러오고 반환한다. 인덱스를 기반으로, 디스크에서 이미지의 위치를 식별하고, read_image를 사용하여 이미지를 텐서로 변환하고, self.img_labels의 csv 데이터로부터 해당하는 정답 (label)을 가져오고, (해당하는 경우) 변형 (transform) 함수들을 호출한 뒤, 텐서 이미지와 라벨을 Python 사전 (dict)형으로 반환한다.

import os
import pandas as pd
from torchvision.io import read_image

class CustomImageDataset(Dataset):
    def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
        self.img_labels = pd.read_csv(annotations_file, names=['file_name', 'label'])
        self.img_dir = img_dir
        self.transform = transform
        self.target_transform = target_transform

    def __len__(self):
        return len(self.img_labels)

    def __getitem__(self, idx):
        img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
        image = read_image(img_path)
        label = self.img_labels.iloc[idx, 1]
        if self.transform:
            image = self.transform(image)
        if self.target_transform:
            label = self.target_transform(label)
        return image, label

 

DataLoader로 학습용 데이터 준비

 

Dataset 은 데이터셋의 특징 (feature)을 가져오고 하나의 샘플에 정답 (label)을 지정하는 일을 한 번에 한다. 모델을 학습할 때, 일반적으로 샘플들을 미니배치 (minibatch)로 전달하고, 매 에포치 (epoch)마다 데이터를 다시 섞어서 과적합 (overfit)을 막고, Python의 multiprocessing을 사용하여 데이터 검색 속도를 높이려고 한다. DataLoader는 간단한 API로 이러한 복잡한 과정들을 추상화한 순회 가능한 객체 (iterable)이다.

 

from torch.utils.data import DataLoader

train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)

 

DataLoader를 통해 순회 (iterate)

 

DataLoader에 데이터셋을 불러온 뒤에는 필요에 따라 데이터셋을 순회 (iterate)할 수 있다. 각 순회 (iteration)는 (각각 batch_size=64의 특징과 정답을 포함) train_features와 train_labels의 묶음 (batch)을 반환한다. shuffle=True로 지정했으므로, 모든 배치를 순회한 뒤 데이터가 섞인다.

 

# 이미지와 정답 (label)을 표시
train_features, train_labels = next(iter(train_dataloader))
print(f"Feature batch shape: {train_features.size()}")
print(f"Labels batch shape: {train_labels.size()}")
img = train_features[0].squeeze()
label = train_labels[0]
plt.imshow(img, cmap="gray")
plt.show()
print(f"Label: {label}")

 

https://tutorials.pytorch.kr/beginner/basics/data_tutorial.html

Dataset과 DataLoader