深度学习中的数据处理概述

深度学习三要素：数据、算力和算法
在工程实践中，数据的重要性越来越引起人们的关注。在数据科学界流传着一种说法，“数据决定了模型的上限，算法决定了模型的下限”，因此在这个“说法”中，明确的表明了，只有好的数据才能够有好的模型，数据才是决定了模型的关键因素。

数据很重要

简单来说，就是找到好的数据，拿给模型“吃”。
但是，什么样才算是“好”的数据，怎么找到“好”的数据，给模型吃了后模型性能有没有变化等等问题是一个非常庞大的课题，本文并不深入探讨，首先从特征工程的角度抛出一张图，另外总结一下深度学习中最常用的几个数据处理过程。

ML/DL的数据处理基本步骤

收集

在进行实验之前，需要收集数据，数据包括原始样本和标签。标签信息一般有收集公开数据集数据、人工标注、自动化/半自动化标注、仿真模拟平台生成等几种方法。

划分

有了原始数据之后，需要对数据集进行划分，把数据集划分为训练集、验证集和测试集

• 训练集：训练模型
• 验证集：验证集用于验证模型是否过拟合，通过比较算法在验证集的性能挑选模型的超参数（学习率、优化算法、网络结构等）
• 测试集： 测试模型的性能，测试模型的泛化能力(往往测试话指标由第三方出，算法同学不接触测试数据和标签)

数据读取

pytorch中数据读取的核心是DataLoader。
DataLoader还会细分为两个子模块，Sampler和DataSet；Sample的功能是生成索引，也就是样本的序号；Dataset是根据索引去读取图片以及对应的标签

数据预处理

比如说数据的中心化，标准化，旋转或者翻转等
pytorch中数据预处理是通过transforms进行处理的

PyTorch中的数据读取模块

torch.utils.data.DataLoader

DataLoader(dataset,
           batch_size=1,
           shuffle=False,
           sampler=None,
           batch_sampler=None,
           num_works=0,
           clollate_fn=None,
           pin_memory=False,
           drop_last=False,
           timeout=0,
           worker_init_fn=None,
           multiprocessing_context=None)

• 功能：构建可迭代的数据装载器；
• dataset:Dataset类，决定数据从哪里读取及如何读取；
• batchsize：批大小；
• num_works:是否多进程读取数据；
• shuffle：每个epoch是否乱序；
• drop_last：当样本数不能被batchsize整除时，是否舍弃最后一批数据；

torch.utils.data.Dataset

class Dataset(object):
    def __getitem__(self, index):
        raise NotImplementedError
    def __add__(self, other)
        return ConcatDataset([self,other])

• Dataset是用来定义数据从哪里读取，以及如何读取的问题；
• 功能：Dataset抽象类，所有自定义的Dataset需要继承它，并且复写__getitem__();
• 函数__getitem__() 作用：接收一个索引，返回一个样本

一个分类任务的数据读取例子

详情见

这里是引用分类任务DataLoader例子
核心代码：

# 构建MyDataset实例，MyDataset必须是用户自己构建的
train_data = RMBDataset(data_dir=train_dir, transform=train_transform)  # data_dir是数据的路径，transform是数据预处理
valid_data = RMBDataset(data_dir=valid_dir, transform=valid_transform)  # 一个用于训练，一个用于验证

#构建DataLoder
train_loader = DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True)  # shuffle=True，每一个epoch中样本都是乱序的
valid_loader = DataLoader(dataset=valid_data, batch_size=BATCH_SIZE)

其中，DataLoader会传入一个参数Dataset，也就是前面构建好的RMBDataset；第二个参数是batch_size，shuffle=True，它的作用是每一个epoch中样本都是乱序的

代码中跟踪RMBDataset构建了两个Dataset，一个用于训练，一个用于验证。
核心为重写了函数

def __getitem__(self, index):
    path_img, label = self.data_info[index]
    img = Image.open(path_img).convert('RGB')     # 0~255

    if self.transform is not None:
        img = self.transform(img)   # 在这里做transform，转为tensor等等

    return img, label

数据预处理模块Transforms

torchvision

是pytorch的计算机视觉工具包
主要有三个模块：

• torchvision.transforms，常用的图像预处理方法，在transforms中提供了一系列的图像预处理方法，例如数据的标准化，中心化，旋转，翻转等等；
• torchvision.datasets，定义了一系列常用的公开数据集的datasets，比如常用的MNIST，CIFAR-10，ImageNet等等；
• torchvision.model，提供大量常用的预训练模型，例如AlexNet，VGG，ResNet，GoogLeNet等等；

torchvision.transforms

常用的图像预处理方法：

• 数据中心化
• 数据标准化
• 缩放
• 裁剪
• 旋转
• 翻转
• 填充
• 噪声添加
• 灰度变换
• 线性变换
• 仿射变换
• 亮度、饱和度及对比度变换

transforms.Compose的功能是将一系列的transforms方法进行有序的组合包装，在具体实现的时候，会依次按顺序对图像进行操作
使用：

#设置数据标准化的均值和标准差
norm_mean = [0.485, 0.456, 0.406]
norm_std = [0.229, 0.224, 0.225]

train_transform = transforms.Compose([
    transforms.Resize((32, 32)),  #Resize，将图像缩放到32*32的大小
    transforms.RandomCrop(32, padding=4),  #RandomCrop，对数据进行随机的裁剪
    transforms.ToTensor(),  #ToTensor，将图片转成张量的形式同时会进行归一化操作，把像素值的区间从0-255归一化到0-1
    transforms.Normalize(norm_mean, norm_std),  #标准化操作，将数据的均值变为0，标准差变为1
])   # Resize的功能是缩放，RandomCrop的功能是裁剪，ToTensor的功能是把图片变为张量

(1) transforms.Normalize

• 功能：逐channel的对图像进行标准化，即数据的均值变为0，标准差变为1。逐通道的意思是，以GRB图像为例，计算训练集的所有图片的R通道之和，并除以 (图像N x W x H)
• 标准化的计算公式为 o u t p u t = ( i n p u t − m e a n ) / s t d output = (input - mean) /stdoutput=(input−mean)/std
• mean：各通道的均值
• std：各通道的标准差
• inplace：是否原位操作

对数据进行标准化之后可以加快模型的收敛
为什么会呢，这是一个比较大的话题，后续有时间会开一个专栏尝试解答该问题。