机器学习管道实践 ML Pipeline：1. 训练数据准备

我们将通过一系列文章学习机器学习管道（Machine Learning Pipeline）的一个实例。这里我们将先对训练数据做一些梳理，以满足机器学习模型的输入要求。

• Win10
• IDE：VSCode
• Anaconda
• 代码地址

---

---

搭建虚拟环境

首先，我们在Windows的平台下安装Anaconda3。具体的安装步骤此处略过，参见Anaconda的官方文档。

安装完后，新建虚拟环境。使用conda create -n your_env_name python=X.X（2.7、3.6等)命令创建python版本为X.X、名字为your_env_name的虚拟环境。

这里我输入了conda create -n mlAppFlaskMlopsEnv python=3.8。

安装完默认的依赖后，我们进入虚拟环境：conda activate mlAppFlaskMlopsEnv。注意，如果需要退出，则输入conda deactivate。另外，如果Terminal没有成功切换到虚拟环境，可以尝试conda init powershell，然后重启terminal。

然后，我们在虚拟环境中下载好相关依赖：pip3 install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

所有的训练数据集保存于data文件夹中。文件夹的结构类似如下：

-- data
  -- category1
    -- category10001.jpg
    -- category10002.jpg
    -- category1XXXX.jpg
  ...
  -- categoryX

提取所有训练数据

所以，我们首先将data文件夹下的所有文件名都搜集出来，并且将每一个训练图像数据的路径找到，存放于一个list中,然后一次性导入所有训练样本。

# read the folders in a list
folder = os.listdir('data')

# read all image directories in a list
all_path =[]
for f in folder:
    all_path += glob('./data/{}/*.jpg'.format(f))

# read all image and label
img_all = skimage.io.ImageCollection(all_path)

提取所有标签

从这些样本文件夹的命名中，我们可以提取出每个样本对应的标签值。比如./data/ElephantHead\\0000000097.jpg对应的标签就是Elephant。

def extract_label(text):
    try:
        # for folders contain Head suffix, i.e. PigeonHead
        label = re.search(r'./data/(.*?)Head\\',text).group(1)
    except:
        # for folders NOT contain Head suffix, i.e. Natural
        label = re.search(r'./data/(.*?)\\',text).group(1)
    return label.lower()
labels = list(map(extract_label,img_all.files))

打包与保存

最后，我们将所有数据打包进一个dict，保存进data_animals_head_20.pickle文件中。
数据包括所有训练数据（data），每一个训练数据对应的标签（target），以及这个数据集中标签的集合（labels）。

data = dict()
data['description'] ='There are 20 classes and 2057 images are there. All the images are 80 x 80 (rgb)'
data['data'] = img_all_arrs         # img_all 转换成np.array后
data['target'] = labels
data['labels'] = set(labels)        # 会自动除重，只剩下每个unique的label。

pickle.dump(data,open('./pickle_files/data_animals_head_20.pickle','wb'))

观察与结果

当我们完整地运行1_data_prepare.py后，如下为所有标签的名称，以及对应训练数据的数量：

{'cat': 159, 'dog': 132, 'panda': 118, 'pigeon': 115, 'tiger': 113, 'cow': 103, 'deer': 103, 'duck': 103, 'lion': 102, 'bear': 101, 'chicken': 100, 'eagle': 100, 'elephant': 100, 'human': 100, 'monkey': 100, 'mouse': 100, 'rabbit': 100, 'sheep': 100, 'wolf': 100, 'natural': 8}

此图看得更为直观。

下图为每一个标签类的样张：