我为我的训练数据创建了一个 pyTorch 数据集,其中包含特征和标签,以便能够使用 this 教程来利用 pyTorch DataLoader。这对于我的训练数据效果很好,但在加载测试 csv 文件时出现错误 (
KeyError: "['label'] not found in axis"
),除了没有“标签”列之外,该文件是相同的。
如果有帮助,预期的输入 csv 文件是 csv 文件中的 MNIST 数据,其中具有 28*28 特征列。
import torch
class mnist(torch.utils.data.Dataset):
def __init__(self, csv_file):
self.train = pd.read_csv(csv_file)
self.train_x = self.train.drop("label", axis=1)
def __len__(self):
return len(self.train)
def __getitem__(self, idx):
if torch.is_tensor(idx):
idx = idx.tolist()
if isinstance(idx, list):
idx_len = len(idx)
else:
idx_len = 1
X = np.asarray(self.train_x.iloc[idx], dtype=np.float32)
X = np.reshape(X, (1,28,28))
y = np.asarray(self.train.iloc[idx]['label'])
sample = {'X': X, 'y':y}
return torch.from_numpy(sample['X']), torch.from_numpy(sample['y'])
您应该能够使用这两种数据:
import torch
class mnist(torch.utils.data.Dataset):
def __init__(self, csv_file):
self.train = pd.read_csv(csv_file)
self.training = "label" in self.train.columns
self.train_x = self.train if not self.training else self.train.drop("label", axis=1)
def __len__(self):
return len(self.train)
def __getitem__(self, idx):
...
X = np.asarray(self.train_x.iloc[idx], dtype=np.float32)
X = np.reshape(X, (1,28,28))
if not self.training:
return torch.from_numpy(X])
y = np.asarray(self.train.iloc[idx]['label'])
sample = {'X': X, 'y':y}
return torch.from_numpy(sample['X']), torch.from_numpy(sample['y'])
这里我使用了 torchvision.datasets 中的 cifar10 数据集。 &我会忽略它的标签
import torch
class IgnoreLabelDataset(torch.utils.data.Dataset):
def __init__(self, orig):
self.orig = orig
def __getitem__(self, index):
return self.orig[index][0]
def __len__(self):
return len(self.orig)
import torchvision.datasets as dset
import torchvision.transforms as transforms
cifar = dset.CIFAR10(root='data/', download=True,
transform=transforms.Compose([
transforms.Scale(32),
transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])
)
dataset_with_no_labels = IgnoreLabelDataset(cifar)
最后
dataset_with_no_labels
是我的没有标签的数据集对象