PyTorch అనేది డీప్-లెర్నింగ్ ఫ్రేమ్వర్క్, ఇది వినియోగదారులను న్యూరల్ నెట్వర్క్లను సృష్టించడానికి/నిర్మించడానికి మరియు శిక్షణ ఇవ్వడానికి వీలు కల్పిస్తుంది. డేటాసెట్ అనేది డేటా నమూనాలు మరియు లేబుల్ల సమితి/సేకరణను కలిగి ఉండే డేటా నిర్మాణం. ఇది మొత్తం డేటాను యాక్సెస్ చేయడానికి లేదా ఇండెక్సింగ్ మరియు స్లైసింగ్ ఆపరేషన్లను ఉపయోగించి ఒక మార్గాన్ని అందిస్తుంది. అంతేకాకుండా, డేటాసెట్ క్రాపింగ్, రీసైజింగ్ మొదలైన డేటాకు రూపాంతరాలను కూడా వర్తింపజేస్తుంది. వినియోగదారులు PyTorchలో డేటాసెట్ను సులభంగా పునరావృతం చేయవచ్చు మరియు దృశ్యమానం చేయవచ్చు.
ఈ వ్రాత-అప్ PyTorch ఉపయోగించి నిర్దిష్ట డేటాసెట్ను పునరావృతం చేయడానికి మరియు దృశ్యమానం చేయడానికి పద్ధతిని వివరిస్తుంది.
PyTorchని ఉపయోగించి డేటాసెట్ని మళ్ళించడం మరియు దృశ్యమానం చేయడం ఎలా?
PyTorchని ఉపయోగించి నిర్దిష్ట డేటాసెట్ను పునరావృతం చేయడానికి మరియు దృశ్యమానం చేయడానికి, అందించిన దశలను అనుసరించండి:
దశ 1: అవసరమైన లైబ్రరీని దిగుమతి చేయండి
ముందుగా, అవసరమైన లైబ్రరీలను దిగుమతి చేయండి. ఉదాహరణకు, మేము ఈ క్రింది లైబ్రరీలను దిగుమతి చేసాము:
టార్చ్ దిగుమతి
torch.utils.data దిగుమతి డేటాసెట్ నుండి
టార్చ్విజన్ దిగుమతి డేటాసెట్ల నుండి
torchvision.transforms దిగుమతి ToTensor నుండి
matplotlib.pyplot దిగుమతి వంటి plt
ఇక్కడ:
-
- ' టార్చ్ దిగుమతి ”పైటోర్చ్ లైబ్రరీని దిగుమతి చేస్తుంది.
- ' torch.utils.data దిగుమతి డేటాసెట్ నుండి 'PyTorchలో అనుకూల డేటాసెట్లను సృష్టించడం కోసం PyTorch యొక్క 'torch.utils.data' మాడ్యూల్ నుండి 'డేటాసెట్' తరగతిని దిగుమతి చేస్తుంది.
- ' టార్చ్విజన్ దిగుమతి డేటాసెట్ల నుండి 'టార్చ్విజన్' లైబ్రరీ నుండి 'డేటాసెట్లు' మాడ్యూల్ను దిగుమతి చేస్తుంది, ఇది కంప్యూటర్ విజన్ టాస్క్ల కోసం ముందే నిర్వచించబడిన డేటాసెట్లను అందిస్తుంది.
- ' torchvision.transforms దిగుమతి ToTensor నుండి PIL ఇమేజ్లు లేదా NumPy శ్రేణులను PyTorch టెన్సర్లుగా మార్చడం కోసం “torchvision.transforms” నుండి “ToTensor” రూపాంతరాన్ని దిగుమతి చేస్తుంది.
- ' matplotlib.pyplotని pltగా దిగుమతి చేయండి ” డేటా విజువలైజేషన్ కోసం matplotlib లైబ్రరీని దిగుమతి చేస్తుంది:
దశ 2: డేటాసెట్ను లోడ్ చేయండి
ఇప్పుడు, మేము ఈ క్రింది పారామితులతో శిక్షణ మరియు పరీక్ష ప్రయోజనాల కోసం టార్చ్విజన్ నుండి FashionMNIST డేటాసెట్ను లోడ్ చేస్తాము:
tr_data = డేటాసెట్లు.FashionMNIST ( రూట్ = 'సమాచారం' , రైలు =నిజమే, డౌన్లోడ్ చేయండి =నిజమే, రూపాంతరము =Tensor ( ))
ts_data = డేటాసెట్లు.FashionMNIST ( రూట్ = 'సమాచారం' , రైలు = తప్పు, డౌన్లోడ్ చేయండి =నిజమే, రూపాంతరము =Tensor ( )
)
ఇక్కడ:
-
- ' FashionMNIST ” టార్చ్విజన్ లైబ్రరీ నుండి FashionMNIST డేటాసెట్ను లోడ్ చేస్తుంది.
- ' రూట్=”డేటా” ” డేటాసెట్ ఇప్పటికే ఉన్నట్లయితే నిల్వ చేయబడే లేదా లోడ్ చేయబడే డైరెక్టరీని నిర్దేశిస్తుంది. మా విషయంలో, ఇది 'డేటా' డైరెక్టరీ.
- ' రైలు ” శిక్షణ లేదా పరీక్ష డేటాసెట్ని సూచిస్తుంది.
- ' download=నిజం ” డేటాసెట్ ఇప్పటికే లేనట్లయితే డౌన్లోడ్ చేస్తుంది.
- ' రూపాంతరం=ToTensor() ” డేటాసెట్లోని చిత్రాలను పైటోర్చ్ టెన్సర్లుగా మార్చడానికి ToTensor పరివర్తనను వర్తింపజేస్తుంది:
దశ 3: డేటాసెట్లో తరగతులను లేబుల్ చేయండి
తర్వాత, FashionMNIST డేటాసెట్లో తరగతి సూచికలను వాటి సంబంధిత తరగతి లేబుల్లకు మ్యాప్ చేసే నిఘంటువుని సృష్టించండి. ఇది ప్రతి తరగతికి మానవులు చదవగలిగే లేబుల్లను అందిస్తుంది. ఇక్కడ, మేము సృష్టించాము ' మ్యాప్డ్_లేబుల్ ” నిఘంటువు మరియు మేము తరగతి సూచికలను వాటి సంబంధిత తరగతి లేబుల్లుగా మార్చడానికి దీనిని ఉపయోగిస్తాము:
mapped_label = {0 : 'టీ-షర్ట్' ,
1 : 'ట్రౌజర్' ,
2 : 'పుల్లోవర్' ,
3 : 'దుస్తులు' ,
4 : 'కోటు' ,
5 : 'చెప్పు' ,
6 : 'చొక్కా' ,
7 : 'స్నీకర్' ,
8 : 'బ్యాగ్' ,
9 : 'చీలమండ బూట్' ,
}
దశ 4: డేటాసెట్ను దృశ్యమానం చేయండి
చివరగా, 'matplotlib' లైబ్రరీని ఉపయోగించి శిక్షణ డేటాలోని నమూనాలను దృశ్యమానం చేయండి:
fig = plt.మూర్తి ( అంజీర్ = ( 8 , 8 ) )కల్ , వరుస = 3 , 3
కోసం i లో పరిధి ( 1 , కల్ * వరుస + 1 ) :
నమూనా_ఇండెక్స్ = టార్చ్.రాండింట్ ( మాత్రమే ( tr_తేదీ ) , పరిమాణం = ( 1 , ) ) .అంశం ( )
img, లేబుల్ = tr_data [ నమూనా_సూచిక ]
fig.add_subplot ( వరుస, కల్ , i )
plt.title ( మ్యాప్డ్_లేబుల్ [ లేబుల్ ] )
plt.axis ( 'ఆఫ్' )
plt.imshow ( img.స్క్వీజ్ ( ) , cmap = 'బూడిద' )
plt.show ( )
గమనిక : మీరు ఇందులో మా Google Colab నోట్బుక్ని యాక్సెస్ చేయవచ్చు లింక్ .
అది PyTorchని ఉపయోగించి కావలసిన డేటాసెట్ను పునరావృతం చేయడం మరియు దృశ్యమానం చేయడం.
ముగింపు
PyTorchని ఉపయోగించి నిర్దిష్ట డేటాసెట్ను పునరావృతం చేయడానికి మరియు దృశ్యమానం చేయడానికి, ముందుగా, అవసరమైన లైబ్రరీలను దిగుమతి చేయండి. ఆపై, అవసరమైన పారామితులతో శిక్షణ మరియు పరీక్ష కోసం కావలసిన డేటాసెట్ను లోడ్ చేయండి. తర్వాత, డేటాసెట్లోని తరగతులను లేబుల్ చేయండి మరియు “matplotlib” లైబ్రరీని ఉపయోగించి శిక్షణ డేటాలోని నమూనాలను దృశ్యమానం చేయండి. ఈ రైట్-అప్ PyTorch ఉపయోగించి నిర్దిష్ట డేటాసెట్ను పునరావృతం చేయడానికి మరియు దృశ్యమానం చేయడానికి పద్ధతిని వివరించింది.