【基于深度学习的验证码识别】---- part3数据加载、模型等API介绍（1）

一、MNIST数据集

MNIST（Modified National Institute of Standards and Technology）数据集是计算机视觉和机器学习领域最经典的入门级数据集之一，主要用于手写数字识别任务。

使用示例（以PyTorch为例）

from torchvision.datasets import MNIST
mnist_train = MNIST(root='./MNIST_data', train=True, download=True)

from torchvision.datasets import MNIST
import matplotlib.pyplot as plt
mnist_train = MNIST(root='./MNIST_data', train=True, download=True)

# 训练集长度
print(len(mnist_train))
# 取第一个图片
print(mnist_train[0])
image = mnist_train[5000][0]
# 打印出图片
plt.imshow(image)
plt.show()
print(mnist_train[5000][1])

二、数据加载

在PyTorch中，使用DataLoader加载MNIST数据集时，参数的合理配置直接影响训练效率和模型性能。以下是核心参数的详细说明及其在MNIST场景中的应用：

from torch.utils.data import DataLoader

参数：batch_size、shuffle、num_workers、pin_memory、drop_last

1、batch_size（批次大小）

• 定义：每个批次包含的样本数量。例如，batch_size=64表示每次迭代加载64张图像。
• 作用：定义每个批次包含的样本数量。例如，若batch_size=64，则每次迭代从数据集中加载64张手写数字图像。
• MNIST应用：
  MNIST图像尺寸为28x28，单个样本数据量小，通常可设置较大的batch_size（如64或128）以充分利用显存并加速训练。
  显存不足时需减小batch_size，否则会引发内存错误（OOM）

2、 shuffle（数据打乱）

• 定义：是否在每个训练周期（epoch）开始时随机打乱数据顺序。
• 作用：
  • 防止模型偏见：避免模型学习到数据顺序特征（如MNIST训练集需设为True）。
  • 测试集处理：测试时通常设为False以保持评估结果一致性。
• MNIST应用：

  # 训练集打乱，测试集不打乱
  train_loader = DataLoader(..., shuffle=True)
  test_loader = DataLoader(..., shuffle=False)
  

3、 num_workers（子进程数）

• 定义：用于并行加载数据的子进程数量。默认为0（主进程加载）。
• 作用：
  • 加速数据加载：多进程并行读取数据（建议设为CPU核心数的2~4倍，如4或8）。
  • 资源平衡：MNIST数据量小，过高值可能导致内存溢出（需实验调优）。
• MNIST应用：

  # 使用4个子进程加载数据
  train_loader = DataLoader(..., num_workers=4)
  

4、pin_memory（内存锁定）

• 定义：是否将数据复制到CUDA固定内存（pinned memory）。
• 作用：
  • 加速GPU传输：启用后，数据从CPU到GPU的传输速度更快（GPU训练时强烈建议设为True）。
  • 资源占用：仅对GPU有效，CPU训练时可忽略。
• MNIST应用：

  # GPU训练时启用内存锁定
  train_loader = DataLoader(..., pin_memory=True)

5、 drop_last（丢弃末批）

• 定义：当数据集大小无法被batch_size整除时，是否丢弃最后一个不完整批次。
• 作用：
  • 避免小批次影响：丢弃末尾样本（如MNIST训练集60000样本，batch_size=64时最后一个批次含16样本）。
  • 分布式训练对齐：需所有批次大小一致时启用。
• MNIST应用：

  # 丢弃不完整批次
  train_loader = DataLoader(..., batch_size=64, drop_last=True)
  

代码示例

from torch.utils.data import DataLoader
from torchvision import datasets, transforms

# 定义数据转换
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))
])

# 加载 MNIST 数据集
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)

# 创建 DataLoader
train_loader = DataLoader(
    dataset=train_dataset,
    batch_size=64,
    shuffle=True,
    num_workers=4,
    pin_memory=True,
    drop_last=True
)

三、图片处理 transform

在深度学习中，图像数据通常需要进行预处理（如缩放、裁剪、归一化等）以适应模型的输入要求。PyTorch 提供了 torchvision.transforms 模块，用于定义和实现这些图像处理操作。

transforms 的作用

transforms 是一个用于图像预处理的工具集，可以将一系列图像处理操作组合在一起，形成一个处理流水线（pipeline）。这些操作通常包括：

• 数据增强：增加数据的多样性，防止模型过拟合。
• 数据标准化：将数据转换为模型所需的格式（如归一化到特定范围）。
• 数据转换：将图像转换为张量（Tensor）格式，以便输入模型。

常用 transforms 操作

1、基础操作

• Resize: 调整图像大小。

transforms.Resize((height, width))  # 将图像调整为指定大小

• CenterCrop: 从图像中心裁剪指定大小的区域。

transforms.CenterCrop(size)  # 裁剪大小为 (size, size)

• RandomCrop: 随机裁剪图像。

transforms.RandomCrop(size)  # 随机裁剪大小为 (size, size)

• RandomHorizontalFlip: 随机水平翻转图像。

transforms.RandomHorizontalFlip(p=0.5)  # 以 50% 的概率水平翻转

• RandomRotation: 随机旋转图像。

transforms.RandomRotation(degrees=30)  # 随机旋转 ±30 度

2、 颜色变换

• ColorJitter: 随机改变图像的亮度、对比度、饱和度和色调。

transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.1)

• Grayscale: 将图像转换为灰度图。

transforms.Grayscale(num_output_channels=1)  # 转换为单通道灰度图

3、 归一化和标准化

• ToTensor: 将图像（PIL 或 NumPy 格式）转换为 PyTorch 张量（Tensor），并将像素值从 [0, 255] 缩放到 [0, 1]。

transforms.ToTensor()

在使用 transforms.ToTensor() 处理图像后，PyTorch 会将图像的通道维度移动到最前面。
transforms.ToTensor() 的作用
1.将图像转换为张量：
输入的图像通常是 PIL 图像或 NumPy 数组，形状为 (H, W, C)，其中：
H 是图像的高度（Height）。
W 是图像的宽度（Width）。
C 是图像的通道数（Channels，例如 RGB 图像为 3，灰度图像为 1）。
transforms.ToTensor() 会将图像转换为 PyTorch 张量（Tensor），并将像素值从 [0, 255] 缩放到 [0, 1]。

2通道维度的变化：
转换后的张量形状为 (C, H, W)，即通道维度被移动到最前面。
这种格式是 PyTorch 的标准输入格式，便于后续的模型处理。

• Normalize: 对图像进行标准化处理（减去均值，除以标准差）。

transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])

这里的均值和标准差通常是根据数据集计算的（例如 ImageNet 的均值和标准差）。

4、 组合操作

• Compose: 将多个操作组合成一个流水线。

 transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.RandomHorizontalFlip(),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

示例代码

from torchvision import datasets, transforms

# 定义 transforms 流水线
transform = transforms.Compose([
    transforms.Resize((32, 32)),          # 调整图像大小为 32x32
    transforms.RandomHorizontalFlip(),    # 随机水平翻转
    transforms.ToTensor(),                # 转换为张量，并缩放到 [0, 1]
    transforms.Normalize((0.5,), (0.5,))  # 归一化到 [-1, 1]
])

# 加载 MNIST 数据集并应用 transforms
train_dataset = datasets.MNIST(
    root='./data', 
    train=True, 
    download=True, 
    transform=transform
)

# 查看处理后的图像
image, label = train_dataset[0]
print(image.shape)  # 输出: torch.Size([1, 32, 32])

总结

如何在数据加载过程中看到图片的样子

先轴交换，再利用make_grid合并再处理成数组.numpy()后，就可以展示出来

from torchvision.datasets import MNIST
import matplotlib.pyplot as plt
import torchvision.transforms as transforms
from torch.utils.data import DataLoader
from torchvision.utils import make_grid

my_transforms = transforms.Compose(
    [transforms.PILToTensor(),
     ]
)
mnist_train = MNIST(root='./MNIST_data', train=True, download=True, transform=transforms.PILToTensor())
dataloader = DataLoader(mnist_train, batch_size=5, shuffle=True) #DataLoader 初始化
for (image, label) in dataloader:# 遍历 DataLoader
    print(image.shape) #torch.Size([5, 1, 28, 28])
    print(label) #tensor([3, 1, 2, 8, 3])
    print(make_grid(image).shape)  #torch.Size([3, 32, 152])  使用 make_grid 将图像拼接成网格
    image = make_grid(image).permute(1,2,0).numpy()#调整网格图像的维度并转换为 NumPy 数组
    plt.imshow(image) #使用 Matplotlib 显示图像
    plt.show()
    exit()