基准数据集
深度学习中经常会使用一些基准数据集进行一些测试。其中 MNIST, Cifar 10, cifar100, Fashion-MNIST 数据集常常被人们拿来当作练手的数据集。为了方便，诸如 Keras、MXNet、Tensorflow 都封装了自己的基础数据集，如 MNIST、cifar 等。如果我们要在不同平台使用这些数据集，还需要了解那些框架是如何组织这些数据集的，需要花费一些不必要的时间学习它们的 API。为此，我们为何不创建属于自己的数据集呢？下面我仅仅使用了 Numpy 来实现数据集 MNIST、Fashion MNIST、Cifa 10、Cifar 100 的操作，并封装为 HDF5，这样该数据集的可扩展性就会大大的增强，并且还可以被其他的编程语言 (如 Matlab) 来获取和使用。下面主要介绍如何通过创建的 API 来实现数据集的封装。
环境搭建
我使用了 Anaconda3 这个十分好用的包管理工具, 来减少管理和安装一些必须的包。下面我们载入该 API 必备的包：
import struct # 处理二进制文件
import numpy as np # 对矩阵运算很友好
import gzip, tarfile # 对压缩文件进行处理
import os # 管理本地文件
import pickle # 序列化和反序列化
import time # 记时
我是在 Jupyter Notebook 交互环境中运行代码的。
Bunch 结构
为了更好的使用该 API, 我利用了 Bunch 结构。在 Python 中，我们可以定义 Bunch Pattern, 字面意思大概是指链式的束式结构。主要用于存储松散的数据结构。
它能让我们以命令行参数的形式创建相关对象，并设置任何属性。下面我们来看看 Bunch 的魅力！Bunch 的定义利用了 dict 的特性。
class Bunch(dict):
def __init__(self, *args, **kwds):
super().__init__(*args, **kwds)
self.__dict__ = self
下面我们构建一个 Bunch 的实例 Tom, 它代表一个住在北京的 54 岁的人。
Tom = Bunch(age="54", address="Beijing")
我们可以查看 Tom 的一些信息：
print('Tom 的年龄是 {}，他住在 {}.'.format(Tom.age, Tom.address))
Tom 的年龄是 54，他住在 Beijing.
我们还可以直接对 Tom 增加属性，比如：
Tom.sex = 'male'
print(Tom)
{'age': '54', 'address': 'Beijing', 'sex': 'male'}
你也许会奇怪，Bunch 结构与 dict 结构好像没有太大的的区别，只不过是多了一个点号运算，那么，Bunch 到底有什么神奇之处呢？我们先看一个例子：
T = Bunch
t = T(left=T(left='a',right='b'), right=T(left='c'))
for first in t:
print('第一层的节点：', first)
for second in t[first]:
print('\t第二层的节点：', second)
for node in t[first][second]:
print('\t\t第三层的节点：', node)
第一层的节点： left
第二层的节点： left
第三层的节点： a
第二层的节点： right
第三层的节点： b
第一层的节点： right
第二层的节点： left
第三层的节点： c
从上面的输出我们可以看出，t 便是一个简单的二叉树结构。这样，我们便可使用 Bunch 构建许多具有分层结构的数据类型。
下载数据集
链接：
MNIST: http://yann.lecun.com/exdb/mnist
Fashion MNIST: https://github.com/zalandoresearch/fashion-mnist
Cifar: https://www.cs.toronto.edu/~kriz/cifar.html
我们将上述数据集均下载到同一个目录下，比如：'E:/Data/Zip/'，下面我们将逐一介绍上述数据集。
MNIST & Fashion MNIST
MNIST 数据集可以说是深度学习中的 hello world 级别的数据集，很多教程都是把它作为入门级的数据集。不过有些人可能对它还不是很了解, 下面我们简单的了解一下！
MNIST 数据集来自美国国家标准与技术研究所（National Institute of Standards and Technology, NIST）. 训练集 (training set) 由来自 250 个不同人手写的数字构成, 其中 50% 是高中学生, 50% 来自人口普查局 (the Census Bureau) 的工作人员. 测试集(test set) 也是同样比例的手写数字数据.
MNIST 有一组 60000 个样本的训练集和一组 10000 个样本的测试集。它是 NIST 的子集。数字图像已被大小规范化, 并以固定大小的图像居中。
MNIST 数据集可在 http://yann.lecun.com/exdb/mnist/ 获取, 它包含了四个部分:
train-images-idx3-ubyte.gz: training set images (9912422 bytes)
train-labels-idx1-ubyte.gz: training set labels (28881 bytes)
t10k-images-idx3-ubyte.gz: test set images (1648877 bytes)
t10k-labels-idx1-ubyte.gz: test set labels (4542 bytes)
图像分类数据集中最常用的是手写数字识别数据集 MNIST1。但大部分模型在 MNIST 上的分类精度都超过了 95%。为了更直观地观察算法之间的差异，我们可以使用一个图像内容更加复杂的数据集 Fashion-MNIST2。Fashion-MNIST 和 MNIST 一样，也包括了 10 个类别，分别为：t-shirt（T 恤）、trouser（裤子）、pullover（套衫）、dress（连衣裙）、coat（外套）、sandal（凉鞋）、shirt（衬衫）、sneaker（运动鞋）、bag（包）和 ankle boot（短靴）。
Fashion-MNIST 的存储方式和 MNIST 是一样的，故而，我们可以使用相同的方式对其进行处理。
MNIST 的使用
下面我以 MNIST 类来处理 MNIST 和 Fashion MNIST:
class MNIST:
def __init__(self, root, namespace, train=True, transform=None):
"""
(MNIST handwritten digits dataset from http://yann.lecun.com/exdb/mnist)
(A dataset of Zalando's article images consisting of fashion products,
a drop-in replacement of the original MNIST dataset
from https://github.com/zalandoresearch/fashion-mnist)
Each sample is an image (in 3D NDArray) with shape (28, 28, 1).
Parameters
----------
root : 数据根目录，如 'E:/Data/Zip/'
namespace : 'mnist' or 'fashion_mnist'
train : bool, default True
Whether to load the training or testing set.
transform : function, default None
A user defined callback that transforms each sample. For example:
::
transform=lambda data, label: (data.astype(np.float32)/255, label)
"""
self._train = train
self.namespace = namespace
root = root + namespace
self._train_data = f'{root}/train-images-idx3-ubyte.gz'
self._train_label = f'{root}/train-labels-idx1-ubyte.gz'
self._test_data = f'{root}/t10k-images-idx3-ubyte.gz'
self._test_label = f'{root}/t10k-labels-idx1-ubyte.gz'
self._get_data()
def _get_data(self):
'''
官方网站的数据是以 `[offset][type][value][description]` 的格式封装的，
因而 `struct.unpack` 时需要注意
'''
if self._train:
data, label = self._train_data, self._train_label
else:
data, label = self._test_data, self._test_label
with gzip.open(label, 'rb') as fin:
struct.unpack(">II", fin.read(8))
self.label = np.frombuffer(fin.read(), dtype=np.uint8)
with gzip.open(data, 'rb') as fin:
Y = struct.unpack(">IIII", fin.read(16))
data = np.frombuffer(fin.read(), dtype=np.uint8)
self.data = data.reshape(Y[1:])
下面，我们来看看如何载入这两个数据集？
MNIST
考虑到代码的可复用性，我将上述代码封装在我的 GitHub3
。将其下载到本地，你便可以直接使用。下面我将展示如何使用该 API。
首先，需要找到你下载的 API 目录，比如：D:\GitHub\basedataset\loader，然后载入到你当前的 Python 环境变量中。
import sys
sys.path.append('D:/GitHub/basedataset/loader/')
from zdata import MNIST
下面你便可以自如的调用 MNIST 类了。
root = 'E:/Data/Zip/'
namespace = 'mnist'
train_mnist = MNIST(root, namespace, train=True, transform=None) # 获取训练集
test_mnist = MNIST(root, namespace, train=False, transform=None) # 获取测试集
print('MNIST 的训练集规模：{}'.format((train_mnist.data.shape)))
print('MNIST 的测试集规模：{}'.format((test_mnist.data.shape)))
MNIST 的训练集规模：(60000, 28, 28)
MNIST 的测试集规模：(10000, 28, 28)
下面我们以 MNIST 的测试集为例，来看看 MNIST 具体长什么样吧！
from matplotlib import pyplot as plt
def show_imgs(imgs):
'''
展示 多张图片
'''
n = imgs.shape[0]
h, w = 4, int(n / 4)
_, figs = plt.subplots(h, w, figsize=(5, 5))
K = np.arange(n).reshape((h, w))
for i in range(h):
for j in range(w):
img = imgs[K[i, j]]
figs[i][j].imshow(img)
figs[i][j].axes.get_xaxis().set_visible(False)
figs[i][j].axes.get_yaxis().set_visible(False)
plt.show()
imgs = test_mnist.data[:16]
show_imgs(imgs)
Fashion MNIST
namespace = 'fashion_mnist'
train_mnist_f = MNIST(root, namespace, train=True, transform=None)
test_mnist_f = MNIST(root, namespace, train=False, transform=None)
print('Fashion MNIST 的训练集规模：{}'.format((train_mnist_f.data.shape)))
print('Fashion MNIST 的测试集规模：{}'.format((test_mnist_f.data.shape)))
Fashion MNIST 的训练集规模：(60000, 28, 28)
Fashion MNIST 的测试集规模：(10000, 28, 28)
再看看 Fashion MNIST 具体长什么样吧！
imgs_f = test_mnist_f.data[:16]
show_imgs(imgs_f)
MNIST 和 Fashion MNIST 数据集还是太简单了，为了满足更多的需求，下面我们将进入 Cifar 数据集的 API 开发和使用环节。
Cifar API
class Bunch(dict):
def __init__(self, *args, **kwds):
super().__init__(*args, **kwds)
self.__dict__ = self
class Cifar(Bunch):
def __init__(self, root, namespace, transform=None, *args, **kwds):
"""CIFAR image classification dataset
from https://www.cs.toronto.edu/~kriz/cifar.html
Each sample is an image (in 3D NDArray) with shape (32, 32, 3).
Parameters
----------
meta : 保存了类别信息
root : str, 数据根目录
namespace : 'cifar-10' 或 'cifar-100'
transform : function, default None
A user defined callback that transforms each sample. For example:
::
transform=lambda data, label: (data.astype(np.float32)/255, label)
"""
super().__init__(*args, **kwds)
self.url = 'https://www.cs.toronto.edu/~kriz/cifar.html'
self.namespace = namespace
self._extract(root)
self._read_batch()
def _extract(self, root):
tar_name = f'{root}{self.namespace}-python.tar.gz'
names = extractall(tar_name, root)
# print('载入数据的字典信息：')
#start = time.time()
for name in names:
path = f'{root}{name}'
if os.path.isfile(path):
if not (path.endswith('.html') or path.endswith('.txt~')):
k = name.split('/')[-1]
if path.endswith('meta'):
with open(path, 'rb') as fp:
self['meta'] = pickle.load(fp)
else:
with open(path, 'rb') as fp:
self[k] = pickle.load(fp, encoding='bytes')
# #time.sleep(0.2)
# t = int(time.time() - start) * '-'
# print(t, end='')
# print('\n载入数据的字典信息完毕！')
def _read_batch(self):
if self.namespace == 'cifar-10':
self.trainX = np.concatenate([
self[f'data_batch_{str(i)}'][b'data'] for i in range(1, 6)
]).reshape(-1, 3, 32, 32).transpose((0, 2, 3, 1))
self.trainY = np.concatenate([
np.asanyarray(self[f'data_batch_{str(i)}'][b'labels'])
for i in range(1, 6)
])
self.testX = self.test_batch[b'data'].reshape(
-1, 3, 32, 32).transpose((0, 2, 3, 1))
self.testY = np.asanyarray(self.test_batch[b'labels'])
elif self.namespace == 'cifar-100':
self.trainX = self.train[b'data'].reshape(-1, 3, 32, 32)
self.train_fine_labels = np.asanyarray(
self.train[b'fine_labels']) # 子类标签
self.train_coarse_labels = np.asanyarray(
self.train[b'coarse_labels']) # 超类标签
self.testX = self.test[b'data'].reshape(-1, 3, 32, 32)
self.test_fine_labels = np.asanyarray(
self.test[b'fine_labels']) # 子类标签
self.test_coarse_labels = np.asanyarray(
self.test[b'coarse_labels']) # 超类标签
为了方便管理和调用数据集，我定义了一个 DataBunch 类：
class DataBunch(Bunch):
'''
将数据集转换为 Bunch
'''
def __init__(self, root, *args, **kwds):
super().__init__(*args, **kwds)
B = Bunch
self.mnist = B(MNIST(root, 'mnist'))
self.fashion_mnist = B(MNIST(root, 'fashion_mnist'))
self.cifar10 = B(Cifar(root, 'cifar-10'))
self.cifar100 = B(Cifar(root, 'cifar-100'))
同样将上述代码放入 zdata 模块中。
Cifar 10 数据集
下面我们便可以直接利用 DataBunch 类来调用上述介绍的数据集：
import sys
sys.path.append('D:/GitHub/basedataset/loader/')
from zdata import DataBunch, show_imgs
root = 'E:/Data/Zip/'
db = DataBunch(root)
我们可以查看，我们封装的数据集：
db.keys()
dict_keys(['mnist', 'fashion_mnist', 'cifar10', 'cifar100'])
由于前面已经展示过 'mnist', 'fashion_mnist'，下面我们将展示 Cifar API 的使用。更多详细内容参考我的博文 关于 『AI 专属数据库的定制』的改进4。
cifar-10 和 CIFAR-10 标记为 8000 万个 微小图像数据集5的子集。它们是由 Alex Krizhevsky, Vinod Nair, 和 Geoffrey Hinton 收集的。
cifar-10 数据集由 10 类 32×32 彩色图像组成, 每类有 6000 张图像。被划分为 50000 张训练图像和 10000 张测试图像。
cifar10 = db.cifar10
imgs = cifar10.trainX[:16]
show_imgs(imgs)
为了方便数据的使用，我们可以将 db 写入到本地磁盘：
序列化
import pickle
def write_bunch(path):
'''
path:: 写入数据集的文件路径
'''
with open(path, 'wb') as fp:
pickle.dump(db, fp)
root = 'E:/Data/Zip/'
path = f'{root}X.json' # 写入数据集的文件路径
write_bunch(path)
这样以后我们就可以直接复制 f'{root}X.dat 或 f'{root}X.json' 到你可以放置的任何地方，然后你就可以通过 load 函数来调用 MNIST、Fashion MNIST、Cifa 10、Cifar 100 这些数据集。即：
反序列化
def read_bunch(path):
with open(path, 'rb') as fp:
bunch = pickle.load(fp) # 即为上面的 DataBunch 的实例
return bunch
db = read_bunch(path) # path 即你的数据集所在的路径
考虑到 JSON 对于其他编程语言的不友好，下面我们将介绍如何将 Bunch 数据集存储为 HDF5 格式的数据。
Bunch 转换为 HDF5 文件：高效存储 Cifar 等数据集
PyTables6 是 Python 与 HDF5 数据库/文件标准的结合7。它专门为优化 I/O 操作的性能、最大限度地利用可用硬件而设计，并且它还支持压缩功能。
下面的代码均是在 Jupyter NoteBook 下完成的：
import tables as tb
import numpy as np
def bunch2hdf5(root):
'''
这里我仅仅封装了 Cifar10、Cifar100、MNIST、Fashion MNIST 数据集，
使用者还可以自己追加数据集。
'''
db = DataBunch(root)
filters = tb.Filters(complevel=7, shuffle=False)
# 这里我采用了压缩表，因而保存为 `.h5c` 但也可以保存为 `.h5`
with tb.open_file(f'{root}X.h5c', 'w', filters=filters, title='Xinet\'s dataset') as h5:
for name in db.keys():
h5.create_group('/', name, title=f'{db[name].url}')
if name != 'cifar100':
h5.create_array(h5.root[name], 'trainX', db[name].trainX, title='训练数据')
h5.create_array(h5.root[name], 'trainY', db[name].trainY, title='训练标签')
h5.create_array(h5.root[name], 'testX', db[name].testX, title='测试数据')
h5.create_array(h5.root[name], 'testY', db[name].testY, title='测试标签')
else:
h5.create_array(h5.root[name], 'trainX', db[name].trainX, title='训练数据')
h5.create_array(h5.root[name], 'testX', db[name].testX, title='测试数据')
h5.create_array(h5.root[name], 'train_coarse_labels', db[name].train_coarse_labels, title='超类训练标签')
h5.create_array(h5.root[name], 'test_coarse_labels', db[name].test_coarse_labels, title='超类测试标签')
h5.create_array(h5.root[name], 'train_fine_labels', db[name].train_fine_labels, title='子类训练标签')
h5.create_array(h5.root[name], 'test_fine_labels', db[name].test_fine_labels, title='子类测试标签')
for k in ['cifar10', 'cifar100']:
for name in db[k].meta.keys():
name = name.decode()
if name.endswith('names'):
label_names = np.asanyarray([label_name.decode() for label_name in db[k].meta[name.encode()]])
h5.create_array(h5.root[k], name, label_names, title='标签名称')
完成 Bunch到 HDF5 的转换
root = 'E:/Data/Zip/'
bunch2hdf5(root)
h5c = tb.open_file('E:/Data/Zip/X.h5c')
