python - pytorch 数据集中每个类的实例数

Question

我正在尝试使用 PyTorch 制作一个简单的图像分类器。
这是我将数据加载到数据集和 dataLoader 中的方式:

batch_size = 64
validation_split = 0.2
data_dir = PROJECT_PATH+"/categorized_products"
transform = transforms.Compose([transforms.Grayscale(), CustomToTensor()])

dataset = ImageFolder(data_dir, transform=transform)

indices = list(range(len(dataset)))

train_indices = indices[:int(len(indices)*0.8)] 
test_indices = indices[int(len(indices)*0.8):]

train_sampler = SubsetRandomSampler(train_indices)
test_sampler = SubsetRandomSampler(test_indices)

train_loader = torch.utils.data.DataLoader(dataset, batch_size=batch_size, sampler=train_sampler, num_workers=16)
test_loader = torch.utils.data.DataLoader(dataset, batch_size=batch_size, sampler=test_sampler, num_workers=16)

我想分别打印出训练和测试数据中每个类(class)的图像数量，如下所示:

在火车数据中:

鞋子:20

衬衫:14

在测试数据中:

鞋子:4

衬衫:3

我试过这个:

from collections import Counter
print(dict(Counter(sample_tup[1] for sample_tup in dataset.imgs)))

但我收到了这个错误:

AttributeError: 'MyDataset' object has no attribute 'img'

Answer 1

您需要使用 .targets访问数据标签，即

print(dict(Counter(dataset.targets)))

它将打印如下内容(例如在 MNIST 数据集中):

{5: 5421, 0: 5923, 4: 5842, 1: 6742, 9: 5949, 2: 5958, 3: 6131, 6: 5918, 7: 6265, 8: 5851}

此外，您可以使用 .classes或 .class_to_idx获取标签 id 到类的映射:

print(dataset.class_to_idx)
{'0 - zero': 0,
 '1 - one': 1,
 '2 - two': 2,
 '3 - three': 3,
 '4 - four': 4,
 '5 - five': 5,
 '6 - six': 6,
 '7 - seven': 7,
 '8 - eight': 8,
 '9 - nine': 9}

编辑:方法 1

从评论中，为了分别获得训练集和测试集的类分布，您可以简单地迭代子集，如下所示:

train_size = int(0.8 * len(dataset))
test_size = len(dataset) - train_size
train_dataset, test_dataset = torch.utils.data.random_split(dataset, [train_size, test_size])

# labels in training set
train_classes = [label for _, label in train_dataset]
Counter(train_classes)
Counter({0: 4757,
         1: 5363,
         2: 4782,
         3: 4874,
         4: 4678,
         5: 4321,
         6: 4747,
         7: 5024,
         8: 4684,
         9: 4770})

编辑 (2):方法 2

由于您有一个大型数据集，并且正如您所说，迭代所有训练集需要相当长的时间，因此还有另一种方法:

您可以使用 .indices子集，它指的是为子集选择的原始数据集中的索引。

IE。

train_classes = [dataset.targets[i] for i in train_dataset.indices]
Counter(train_classes) # if doesn' work: Counter(i.item() for i in train_classes)