CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章解决pytorch读取自制数据集出现过的问题由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.

问题1

问题描述:

TypeError: default_collate: batch must contain tensors, numpy arrays, numbers, dicts or lists; found <class 'PIL.Image.Image'> 。

解决方式 。

数据格式不对， 把image转成tensor，参数transform进行如下设置就可以了：transform=transform.ToTensor()。注意检测一下transform 。

问题2

问题描述:

TypeError: append() takes exactly one argument (2 given) 。

出现问题的地方 。

imgs.append(words[0], int(words[1]))

解决方式 。

加括号，如下 。

imgs.append((words[0], int(words[1])))

问题3

问题描述 。

RuntimeError: Input type (torch.cuda.FloatTensor) and weight type (torch.FloatTensor) should be the same 。

解决方式 。

数据和模型不在同一设备上，应该要么都在GPU运行，要么都在CPU 。

问题4

问题描述 。

RuntimeError: Given groups=1, weight of size [64, 1, 3, 3], expected input[1, 3, 512, 512] to have 1 channels, but got 3 channels instead 。

解决方式 。

图像竟然是RGB，但我的训练图像是一通道的灰度图，所以得想办法把 mode 转换成灰度图L 。

补充：神经网络 pytorch 数据集读取（自动读取数据集，手动读取自己的数据） 。

对于pytorch，我们有现成的包装好的数据集可以使用，也可以自己创建自己的数据集，大致来说有三种方法，这其中用到的两个包是datasets和DataLoader 。

datasets：用于将数据和标签打包成数据集 。

DataLoader：用于对数据集的高级处理，比如分组，打乱，处理等，在训练和测试中可以直接使用DataLoader进行处理 。

第一种 现成的打包数据集 。

这种比较简答，只需要现成的几行代码和一个路径就可以完成，但是一般都是常用比如cifar-10 。

对于常用数据集，可以使用torchvision.datasets直接进行读取，这是对其常用的处理，该类也是继承于torch.utils.data.Dataset.

#是第一次运行的话会下载数据集 现成的话可以使用root参数指定数据集位置# 存放的格式如下图 # 根据接口读取默认的CIFAR10数据 进行训练和测试#预处理transform = transform.Compose([transform.ToTensor(), transform.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])#读取数据集trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=False, transform=transform)#打包成DataLoadertrainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=1) #同上testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=False, transform=transform)testloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=False, num_workers=1)classes = (1,2,3,4,5,6,7,8,9,10)  #类别定义 #使用 for epoch in range(3):        running_loss = 0.0 #清空loss        for i, data in enumerate(trainloader, 0):            # get the inputs            inputs, labels = data #trainloader返回：id,image,labels             # 将inputs与labels装进Variable中            inputs, labels = Variable(inputs), Variable(labels)                        #使用print代替输出            print("epoch：", epoch, "的第", i, "个inputs", inputs.data.size(), "labels", labels.data.size()) 

第二种 自己的图像分类

这也是一个方便的做法，在pytorch中提供了torchvision.datasets.ImageFolder让我们训练自己的图像.

要求：创建train和test文件夹，每个文件夹下按照类别名字存储图像就可以实现dataloader 。

这里还是拿上个举例子吧，实际上也可以是我们的数据集 。

每个下面的布局是这样的 。

# 预处理transform = transform.Compose([transform.ToTensor(), transform.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]) #使用torchvision.datasets.ImageFolder读取数据集 指定train 和 test文件夹img_data = torchvision.datasets.ImageFolder('data/cifar-10/train/', transform=transform)data_loader = torch.utils.data.DataLoader(img_data, batch_size=4, shuffle=True, num_workers=1) testset = torchvision.datasets.ImageFolder('data/cifar-10/test/', transform=transform)testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=True, num_workers=1)  for epoch in range(3):        for i, data in enumerate(trainloader, 0):            # get the inputs            inputs, labels = data #trainloader返回：id,image,labels            # 将inputs与labels装进Variable中            inputs, labels = Variable(inputs), Variable(labels)             #使用print代替输出            print("epoch：", epoch, "的第", i, "个inputs", inputs.data.size(), "labels", labels.data.size())

第三种 一维向量数据集

这个是比较尴尬的,首先我们 。

假设将数存储到txt等文件中，先把他读取出来，读取的部分就不仔细说了，读到一个列表里就可以 。

常用的可以是列表等，举例子 。

trainlist = []  # 保存特征的列表 targetpath = 'a/b/b'filelist = os.listdir(targetpath) #列出文件夹下所有的目录与文件filecount = len(filelist)# 根据根路径 读取所有文件名 循环读取文件内容 添加到listfor i in range(filecount):     filepath = os.path.join(targetpath, filelist[j])     with open(filepath, 'r') as f:         line = f.readline()         # 例如存储格式为 1,2,3,4,5,6 数字之间以逗号隔开         templist = list(map(int, line.split(',')))         trainlist.append(templist) # 数据读取完毕 现在为维度为filecount的列表 我们需要转换格式和类型# 将数据转换为Tensor # 假如我们的两类数据分别存在list0 和 list1中split = len(list0) # 用于记录标签的分界 #使用numpy.array 和 torch.from_numpy 连续将其转换为tensor  使用torch.cat拼接train0_numpy = numpy.array(list0)train1_numpy = numpy.array(list1)train_tensor = torch.cat([torch.from_numpy(train0_numpy), torch.from_numpytrain1_numpy)], 0)#现在的尺寸是【样本数，长度】 然而在使用神 经网络处理一维数据要求【样本数，维度，长度】# 这个维度指的像一个图像实际上是一个二维矩阵 但是有三个RGB通道 实际就为【3，行，列】 那么需要处理三个矩阵# 我们需要在我们的数据中加上这个维度信息# 注意类型要一样 可以转换shaper = train_tensor.shape  #获取维度 【样本数，长度】aa = torch.ones((shaper[0], 1, shaper[1])) # 生成目标矩阵for i in range(shaper[0]):  # 将所有样本复制到新矩阵·    aa[i][0][:] = train_tensor[i][:]train_tensor = aa  # 完成了数据集的转换 【样本数，维度，长度】 # 注 意 如果是读取的图像 我们需要的目标维度是【样本数，维度，size_w,size_h】# 卷积接受的输入是这样的四维度 最后的两个是图像的尺寸 维度表示是通道数量   # 下面是生成标签 标签注意类别之间的分界 split已经在上文计算出来# 训练标签的total = len(list0) + len(list1)train_label = numpy.zeros(total)train_label[split+1:total] = 1train_label_tensor = torch.from_numpy(train_label).int()# print(train_tensor.size(),train_label_tensor.size()) # 搭建dataloader完毕train_dataset = TensorDataset(train_tensor, train_label_tensor)train_loader = DataLoader(dataset=train_dataset, batch_size=4, shuffle=True) for epoch in range(3):    for i, data in enumerate(trainloader, 0):        # get the inputs        inputs, labels = data #trainloader返回：id,image,labels        # 将inputs与labels装进Variable中        inputs, labels = Variable(inputs), Variable(labels)         #使用print代替输出        print("epoch：", epoch, "的第", i, "个inputs", inputs.data.size(), "labels", labels.data.size())

第四种 保存路径和标签的方式创建数据集

该方法需要略微的麻烦一些，首先你有一个txt，保存了文件名和对应的标签，大概是这个意思 。

然后我们在程序中，根据给定的根目录找到文件，并将标签对应保存 。

class Dataset(object):"""An abstract class representing a Dataset.All other datasets should subclass it. All subclasses should override``__len__``, that provides the size of the dataset, and ``__getitem__``,supporting integer indexing in range from 0 to len(self) exclusive."""def __getitem__(self, index):	raise NotImplementedErrordef __len__(self):	raise NotImplementedErrordef __add__(self, other):	return ConcatDataset([self, other])

这是dataset的原本内容，getitem就是获取元素的部分，用于返回对应index的数据和标签。那么大概需要做的是我们将txt的内容读取进来，使用程序处理标签和数据 。

# coding: utf-8from PIL import Imagefrom torch.utils.data import Datasetclass MyDataset(Dataset):# 初始化读取txt 可以设定变换def __init__(self, txt_path, transform = None, target_transform = None):	fh = open(txt_path, 'r')	imgs = []	for line in fh:		line = line.rstrip()		words = line.split()         # 保存列表 其中有图像的数据 和标签		imgs.append((words[0], int(words[1])))		self.imgs = imgs 		self.transform = transform		self.target_transform = target_transformdef __getitem__(self, index):	fn, label = self.imgs[index]	img = Image.open(fn).convert('RGB') 	if self.transform is not None:		img = self.transform(img)     # 返回图像和标签    	return img, labeldef __len__(self):	return len(self.imgs) # 当然也可以创建myImageFloder 其txt格式在下图显示 import osimport torchimport torch.utils.data as datafrom PIL import Image def default_loader(path):    return Image.open(path).convert('RGB') class myImageFloder(data.Dataset):    def __init__(self, root, label, transform = None, target_transform=None, loader=default_loader):        fh = open(label) #打开label文件        c=0        imgs=[]  # 保存图像的列表        class_names=[]        for line in  fh.readlines(): #读取每一行数据            if c==0:                class_names=[n.strip() for n in line.rstrip().split('	')]             else:                cls = line.split() #分割为列表                fn = cls.pop(0)  #弹出最上的一个                if os.path.isfile(os.path.join(root, fn)):  # 组合路径名 读取图像                    imgs.append((fn, tuple([float(v) for v in cls])))  #添加到列表            c=c+1         # 设置信息        self.root = root        self.imgs = imgs        self.classes = class_names        self.transform = transform        self.target_transform = target_transform        self.loader = loader     def __getitem__(self, index):  # 获取图像 给定序号        fn, label = self.imgs[index]  #读取图像的内容和对应的label        img = self.loader(os.path.join(self.root, fn))        if self.transform is not None:  # 是否变换            img = self.transform(img)        return img, torch.Tensor(label) # 返回图像和label     def __len__(self):        return len(self.imgs)        def getName(self):        return self.classes# 

# 而后使用的时候就可以正常的使用trainset = MyDataset(txt_path=pathFile,transform = None, target_transform = None)# trainset = torch.utils.data.DataLoader(myFloder.myImageFloder(root = "../data/testImages/images", label = "../data/testImages/test_images.txt", transform = mytransform ), batch_size= 2, shuffle= False, num_workers= 2)trainloader = torch.utils.data.DataLoader(trainset, batch_size=32, shuffle=True, num_workers=8)

它的要点是，继承dataset，在初始化中处理txt文本数据，保存对应的数据，并实现对应的功能.

这其中的原理就是如此，但是注意可能有些许略微不恰当的地方，可能就需要到时候现场调试了.

以上为个人经验，希望能给大家一个参考，也希望大家多多支持我.

原文链接：https://blog.csdn.net/qq_35407318/article/details/107327370 。

最后此篇关于解决pytorch读取自制数据集出现过的问题的文章就讲到这里了,如果你想了解更多关于解决pytorch读取自制数据集出现过的问题的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。