小编给大家分享一下Pytorch中如何实现自己加载单通道图片用作数据集训练，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！
成都创新互联公司专注于企业
成都全网营销推广、网站重做改版、振兴网站定制设计、自适应品牌网站建设、
H5高端网站建设、
成都商城网站开发、集团公司官网建设、外贸营销网站建设、高端网站制作、响应式网页设计等建站业务，价格优惠性价比高，为振兴等各大城市提供网站开发制作服务。
pytorch 在torchvision包里面有很多的的打包好的数据集，例如minist,Imagenet-12,CIFAR10 和CIFAR100。在torchvision的dataset包里面，用的时候直接调用就行了。具体的调用格式可以去看文档（目前好像只有英文的）。网上也有很多源代码。
不过，当我们想利用自己制作的数据集来训练网络模型时，就要有自己的方法了。pytorch在torchvision.dataset包里面封装过一个函数ImageFolder（）。这个函数功能很强大，只要你直接将数据集路径保存为例如“train/1/1.jpg ,rain/1/2.jpg …… ”就可以根据根目录“./train”将数据集装载了。
dataset.ImageFolder(root="datapath", transfroms.ToTensor())
但是后来我发现一个问题，就是这个函数加载出来的图像矩阵都是三通道的，并且没有什么参数调用可以让其变为单通道。如果我们要用到单通道数据集（灰度图）的话，比如自己加载Lenet-5模型的数据集，就只能自己写numpy数组再转为pytorch的Tensor()张量了。
接下来是我做的过程：
首先，还是要用到opencv,用灰度图打开一张图片，省事。
#读取图片 这里是灰度图
for item in all_path:
img = cv2.imread(item[1],0)
img = cv2.resize(img,(28,28))
arr = np.asarray(img,dtype="float32")
data_x[i ,:,:,:] = arr
i+=1
data_y.append(int(item[0]))
data_x = data_x / 255
data_y = np.asarray(data_y)
其次，pytorch有自己的numpy转Tensor函数，直接转就行了。
data_x = torch.from_numpy(data_x)
data_y = torch.from_numpy(data_y)
下一步利用torch.util和torchvision里面的dataLoader函数，就能直接得到和torchvision.dataset里面封装好的包相同的数据集样本了
dataset = dataf.TensorDataset(data_x,data_y)
loader = dataf.DataLoader(dataset, batch_size=batchsize, shuffle=True)
最后就是自己建网络设计参数训练了，这部分和文档以及github中的差不多，就不赘述了。
下面是整个程序的源代码，我利用的还是上次的车标识别的数据集，一共分四类，用的是2层卷积核两层全连接。
源代码：
# coding=utf-8
import os
import cv2
import numpy as np
import random
import torch
import torch.nn as nn
import torch.utils.data as dataf
from torch.autograd import Variable
import torch.nn.functional as F
import torch.optim as optim
#训练参数
cuda = False
train_epoch = 20
train_lr = 0.01
train_momentum = 0.5
batchsize = 5
#测试训练集路径
test_path = "/home/test/"
train_path = "/home/train/"
#路径数据
all_path =[]
def load_data(data_path):
signal = os.listdir(data_path)
for fsingal in signal:
filepath = data_path+fsingal
filename = os.listdir(filepath)
for fname in filename:
ffpath = filepath+"/"+fname
path = [fsingal,ffpath]
all_path.append(path)
#设立数据集多大
count = len(all_path)
data_x = np.empty((count,1,28,28),dtype="float32")
data_y = []
#打乱顺序
random.shuffle(all_path)
i=0;
#读取图片 这里是灰度图 最后结果是i*i*i*i
#分别表示：batch大小 ， 通道数， 像素矩阵
for item in all_path:
img = cv2.imread(item[1],0)
img = cv2.resize(img,(28,28))
arr = np.asarray(img,dtype="float32")
data_x[i ,:,:,:] = arr
i+=1
data_y.append(int(item[0]))
data_x = data_x / 255
data_y = np.asarray(data_y)
# lener = len(all_path)
data_x = torch.from_numpy(data_x)
data_y = torch.from_numpy(data_y)
dataset = dataf.TensorDataset(data_x,data_y)
loader = dataf.DataLoader(dataset, batch_size=batchsize, shuffle=True)
return loader
# print data_y
train_load = load_data(train_path)
test_load = load_data(test_path)
class L5_NET(nn.Module):
def __init__(self):
super(L5_NET ,self).__init__();
#第一层输入1，20个卷积核 每个5*5
self.conv1 = nn.Conv2d(1 , 20 , kernel_size=5)
#第二层输入20，30个卷积核 每个5*5
self.conv2 = nn.Conv2d(20 , 30 , kernel_size=5)
#drop函数
self.conv2_drop = nn.Dropout2d()
#全链接层１，展开30*4*4，连接层50个神经元
self.fc1 = nn.Linear(30*4*4,50)
#全链接层１，50-4 ,4为最后的输出分类
self.fc2 = nn.Linear(50,4)
#前向传播
def forward(self,x):
#池化层１ 对于第一层卷积池化，池化核2*2
x = F.relu(F.max_pool2d( self.conv1(x) ,2 ) )
#池化层2 对于第二层卷积池化，池化核2*2
x = F.relu(F.max_pool2d( self.conv2_drop( self.conv2(x) ) , 2 ) )
#平铺轴30*4*4个神经元
x = x.view(-1 , 30*4*4)
#全链接１
x = F.relu( self.fc1(x) )
#dropout链接
x = F.dropout(x , training= self.training)
#全链接w
x = self.fc2(x)
#softmax链接返回结果
return F.log_softmax(x)
model = L5_NET()
if cuda :
model.cuda()
optimizer = optim.SGD(model.parameters() , lr =train_lr , momentum = train_momentum )
#预测函数
def train(epoch):
model.train()
for batch_idx, (data, target) in enumerate(train_load):
if cuda:
data, target = data.cuda(), target.cuda()
data, target = Variable(data), Variable(target)
#求导
optimizer.zero_grad()
#训练模型，输出结果
output = model(data)
#在数据集上预测loss
loss = F.nll_loss(output, target)
#反向传播调整参数pytorch直接可以用loss
loss.backward()
#SGD刷新进步
optimizer.step()
#实时输出
if batch_idx % 10 == 0:
print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
epoch, batch_idx * len(data), len(train_load.dataset),
100. * batch_idx / len(train_load), loss.data[0]))
#
#测试函数
def test(epoch):
model.eval()
test_loss = 0
correct = 0
for data, target in test_load:
if cuda:
data, target = data.cuda(), target.cuda()
data, target = Variable(data, volatile=True), Variable(target)
#在测试集上预测
output = model(data)
#计算在测试集上的loss
test_loss += F.nll_loss(output, target).data[0]
#获得预测的结果
pred = output.data.max(1)[1] # get the index of the max log-probability
#如果正确，correct+1
correct += pred.eq(target.data).cpu().sum()
#loss计算
test_loss = test_loss
test_loss /= len(test_load)
#输出结果
print('\nThe {} epoch result : Average loss: {:.6f}, Accuracy: {}/{} ({:.2f}%)\n'.format(
epoch,test_loss, correct, len(test_load.dataset),
100. * correct / len(test_load.dataset)))
for epoch in range(1, train_epoch+ 1):
train(epoch)
test(epoch)最后的训练结果和在keras下差不多，不过我训练的时候好像把训练集和测试集弄反了，数目好像测试集比训练集还多，有点尴尬，不过无伤大雅。结果图如下：
以上是“Pytorch中如何实现自己加载单通道图片用作数据集训练”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注创新互联成都网站设计公司行业资讯频道！
另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
当前文章：Pytorch中如何实现自己加载单通道图片用作数据集训练-创新互联
文章起源：
http://cdkjz.cn/article/dosssh.html
