camvid数据集介绍-尊龙游戏旗舰厅官网
本文为fastai官方教程编译版本。若有错误，欢迎指正。
总目录：
- 查看数据：本节为初级教程，介绍怎样快速的查看你的数据和模型预测结果。
- 推理学习器（inference learner）：本节为中级教程，介绍怎样为（模型）推理创建学习器。
- 自定义类itemlist（custom itemlist）：本节为高级教程，介绍如何创建类itembase与类itemlist。
- 使用极小的代价实现深度学习：本节介绍如何使用较少的gpu资源实现推理，和避免重启笔记内核的时间。
查看数据
本文目录：
- 查看输入与输出
- 视觉任务
- 分类问题
- 多标签问题
- 回归任务示例
- 分割任务示例
- 文本任务
- 语言模型
- 文本分类
- 列表（tabular）
查看输入与输出
在本节教程中，我们将介绍如何在一个api中查看视觉任务、文本任务或者列表应用中的模型输入与输出。我们将处理不同的任务，而且每次都在databunch中使用data block api来获取数据、查看如何使用show_batch方法查看部分输入、训练合适地learner后用show_results方法查看模型的实际输出。
注意：照例，此页面从notebook生成，您可以在fasti git分支（https://github.com/fastai/fastai）中docs_src文件夹找到该笔记。这些示例旨在快速运行，所以我们使用部分示例数据集（且使用resnet18作为主干网络，不进行长时间训练）。您可以更改任一参数来进行自己的实验！视觉
为了快速访问fastai内部的所有视觉函数，我们使用通用的 import 语句：
from fastai.vision import *
分类问题
让我们使用minist手写体数据集作为示例数据集：
它是用imagenet结构建立的，因此我们使用它来加载我们的训练和验证数据集，然后对其进行标记、变换、将其转换为imagedatabunch，最终对其进行规范化。
data = (imagelist.from_folder(mnist).split_by_folder() .label_from_folder().transform(tfms, size=32).databunch().normalize(imagenet_stats))在databunch中正确设置好您的数据之后，我们可以调用函数 data.showbatch() 查看（可视化）数据。
data.show_batch()请注意，在显示带有标签的图像之前，图像会自动进行归一化处理（从文件夹名称推断）。如果默认值5太大，我们可以指定行数和限定图形的大小。
data.show_batch(rows=3, figsize=(4,4))现在，让我们创建一个 learner 对象来训练分类器。
learn = cnn_learner(data, models.resnet18, metrics=accuracy)learn.fit_one_cycle(1,1e-2) learn.save('mini_train')我们的模型迅速达到了91%左右的准确率，接下来让我们看下模型在一组验证样本上的表现。我们使用 show_results 方法实现。
learn.show_results()由于验证集通常是经过排序的，因此我们仅获得了属于同一类的图像。然后，我们可以再次指定行数、图形大小以及要进行预测的数据集进行查看。
learn.show_results(ds_type=datasettype.train, rows=4, figsize=(8,10))多标签问题
现在让我们使用planet数据集上进行演示，其（与其他数据集的）不同之处在于每个图像可以具有多个标签（而不仅仅是一个标签）
planet = untar_data(urls.planet_tiny) planet_tfms = get_transforms(flip_vert=true, max_lighting=0.1, max_zoom=1.05, max_warp=0.)这里每张图片的标签都存储在labels.csv文件中。我们需要在文件名中添加前缀'train'和后缀'.jpg'，并设定每个标签之间用空格分开。
data = (imagelist.from_csv(planet, 'labels.csv', folder='train', suffix='.jpg').split_by_rand_pct().label_from_df(label_delim=' ').transform(planet_tfms, size=128).databunch().normalize(imagenet_stats))我们可以通过函数data.show_batch来查看数据。
data.show_batch(rows=2, figsize=(9,7))然后我们可以相当轻松的创建learner对象和进行尝试性训练。
learn = cnn_learner(data, models.resnet18) learn.fit_one_cycle(5,1e-2) learn.save('mini_train')要查看实际的预测结果，我们只需要运行方法learn.show_results()即可。
learn.show_results(rows=3, figsize=(12,15))回归问题
对于接下来这个示例，我们使用biwi头部姿态（https://data.vision.ee.ethz.ch/cvl/gfanelli/head_pose/head_forest.html#db）数据集。在人物图像中，我们要找出人脸的中心。在fastai文档中，我们已经建立了一个包含有200张图像数据的biwi数据集子样本集，同时将每个图像中的中心坐标对应文件名以字典的形式进行存储。
为了获取数据，我们使用这个字典去标记我们的项目。我们同样使用pointsitemlist使目标类型为imagepoints（用于确保可以正确的应用数据增强）。当调用函数transform时我们确保设置tfm_y=true.
data = (pointsitemlist.from_folder(biwi).split_by_rand_pct(seed=42).label_from_func(lambda o:fn2ctr[o.name]).transform(get_transforms(), tfm_y=true, size=(120,160)).databunch().normalize(imagenet_stats))接着，我们可以使用data.show_batch()可视化我们的数据.
data.show_batch(row=3, figsize=(9,6))我们在使用函数learn.show_results()之前先尝试性训练下我们的模型。
learn = cnn_learner(data, models.resnet18, lin_ftrs=[100], ps=0.05) learn.fit_one_cycle(5, 5e-2) learn.save('mini_train') learn.show_results(rows=3)分割示例
本节我们将使用camvid数据集（至少是其中的一部分数据），我们需要预测数据图像中的每一个像素点的类别。在“images”子文件夹中的每一幅图像都相当于对应的图像“labels”，也就是图像的分割掩码。
我们从'codes.txt'文件中读取类别信息和每个图像与其相关掩码名称的映射关系。
codes = np.loadtxt(camvid/'codes.txt', dtype=str) get_y_fn = lambda x: path_lbl/f'{x.stem}_p{x.suffix}'数据模块api允许我们快速获取 databunch中的任何内容，同时我们可以通过函数show_batch查看。
data = (segmentationitemlist.from_folder(path_img).split_by_rand_pct().label_from_func(get_y_fn, classes=codes).transform(get_transforms(), tfm_y=true, size=128).databunch(bs=16, path=camvid).normalize(imagenet_stats))data.show_batch(rows=2, figsize=(7,5))接下来，我们训练unet网络几个轮次（epochs）。
注意：本次训练是相当不稳定的，使用更多地训练轮次与更全的数据集可以获得更好的结果。learn = unet_learner(data, models.resnet18)learn.fit_one_cycle(3,1e-2)learn.save('mini_train')总耗时（00:23）
learn.show_results()文本
本节介绍在文本上的应用，同样地让我们从导入所有需要函数开始。
from fastai.text import *语言模型
首先我们在imdb子数据集上微调（fine-tune）一个预训练模型。
函数data.show_batch()同样也可以在这里使用。对于语言模型来说，它向我们展示了沿着批处理维度每个文本序列的开头（目标是猜下一个单词）。
data_lm.show_batch()现在让我们定义一个语言模型学习器。
总耗时（total time）：00:25
然后我们可以查看结果。它会显示确定数量的单词（默认20），以及之后的20个目标单词和预测的单词。
learn.show_results()文本分类
本节介绍一个关于文本分类的例子。如果使用保存的编码器，我们要使用与语言模型相同的词汇表。
这里通过函数 show_batch 显示了每次评审（review）的开始（信息）以及其目标（target）。
data_clas.show_batch()然后我们可以使用之前的编码器训练一个分类器。
learn = text_classifier_learner(data_clas, awd_lstm) learn.load_encoder('mini_train_encoder') learn.fit_one_cycle(2, slice(1e-3,1e-2))learn.save('mini_train_clas')总耗时（total time）：00:25
learn.show_results()列表
本节介绍列表数据中的应用范例。首先让我们导入全部所需要的函数。
from fastai.tabular import *我们使用adult数据集（https://archive.ics.uci.edu/ml/datasets/adult）中的一部分数据。当我们读取csv文件时，我们需要指定相关变量、类别变量、连续变量和要使用的处理器。
adult = untar_data(urls.adult_sample)df = pd.read_csv(adult/'adult.csv') dep_var = 'salary' cat_names = ['workclass', 'education', 'marital-status', 'occupation', 'relationship', 'race', 'sex', 'native-country'] cont_names = ['education-num', 'hours-per-week', 'age', 'capital-loss', 'fnlwgt', 'capital-gain'] procs = [fillmissing, categorify, normalize]然后，我们可以使用数据块api在使用data.show_batch()之前获取所有内容。
data = (tabularlist.from_df(df, path=adult, cat_names=cat_names, cont_names=cont_names, procs=procs).split_by_idx(valid_idx=range(800,1000)).label_from_df(cols=dep_var).databunch())data.show_batch()
这里我们可以得到尝试性训练后的tabular_learner。
learn = tabular_learner(data, layers=[200,100], metrics=accuracy) learn.fit(5, 1e-2) learn.save('mini_train')总耗时（total time）：00:19
我们可以使用learn.show_results()（查看结果）。
learn.show_results()总结
以上是尊龙游戏旗舰厅官网为你收集整理的camvid数据集介绍_fastai 官方教程之查看数据的全部内容，希望文章能够帮你解决所遇到的问题。
- 上一篇： python接口测试第二期_python
- 下一篇：