之前几节中，我们一直在使用深度学习框架的高级API直接获取张量格式的图像数据集。 但是在实践中，图像数据集通常以图像文件的形式出现。 本节将从原始图像文件开始，然后逐步组织、读取并将它们转换为张量格式。

我们之前对CIFAR-10数据集做了一个实验。CIFAR-10是计算机视觉领域中的一个重要的数据集。 本节将运用我们在前几节中学到的知识来参加CIFAR-10图像分类问题的Kaggle竞赛，(比赛的网址是https://www.kaggle.com/c/cifar-10)。

如图，显示了竞赛网站页面上的信息。 为了能提交结果，首先需要注册一个Kaggle账户。竞赛用的数据集可通过点击“Data”选项卡获取。

首先，导入竞赛所需的包和模块。

import collections
import math
import os
import shutil # python一个用来操作文件的包
import pandas as pd
import torch
import torchvision 
from torch import nn
from d2l import torch as d2l

1. 获取并组织数据集

比赛数据集分为训练集和测试集，其中训练集包含50000张、测试集包含300000张图像。 在测试集中，10000张图像将被用于评估，而剩下的290000张图像将不会被进行评估，包含它们只是为了防止手动标记测试集并提交标记结果。 两个数据集中的图像都是png格式，高度和宽度均为32像素并有三个颜色通道（RGB）。

这些图片共涵盖10个类别：飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船和卡车。 上图的左上角显示了数据集中飞机、汽车和鸟类的一些图像。

1.1 下载数据集

登录Kaggle后，我们可以点击 图中显示的CIFAR-10图像分类竞赛网页上的“Data”选项卡，然后单击“Download All”按钮下载数据集。 在../data中解压下载的文件并在其中解压缩train.7z和test.7z后，在以下路径中可以找到整个数据集：

• …/data/cifar-10/train/[1-50000].png

• …/data/cifar-10/test/[1-300000].png

• …/data/cifar-10/trainLabels.csv

• …/data/cifar-10/sampleSubmission.csv

train和test文件夹分别包含训练和测试图像，trainLabels.csv含有训练图像的标签， sample_submission.csv是提交文件的范例。

为了便于入门，我们提供包含前1000个训练图像和5个随机测试图像的数据集的小规模样本（挑了前1000个来训练，每一类拿5张来测试）。 要使用Kaggle竞赛的完整数据集，需要将以下demo变量设置为False。

d2l.DATA_HUB['cifar10_tiny'] = (d2l.DATA_URL + 'kaggle_cifar10_tiny.zip',
                                '2068874e4b9a9f0fb07ebe0ad2b29754449ccacd')

# 如果使用完整的Kaggle竞赛的数据集，设置demo为False
# 然后把数据放在上一层的data文件夹下的cifar-10
demo = True

if demo:
    data_dir = d2l.download_extract('cifar10_tiny')
else:
    data_dir = '../data/cifar-10/'

1.2 整理数据集

我们需要整理数据集来训练和测试模型。 首先，我们用以下函数读取CSV文件中的标签，它返回一个字典，该字典将文件名中不带扩展名的部分映射到其标签。

def read_csv_labels(fname):
    """读取fname文件名来给标签字典返回一个文件名"""
    with open(fname, 'r') as f:
        # 跳过文件头行(列名)
        lines = f.readlines()[1:] # 一行一行读，从第一行开始读，不要读第0行

    # rstrip：用来去除结尾字符、空白符(包括\n、\r、\t、' '，即：换行、回车、制表符、空格)
    tokens = [l.rstrip().split(',') for l in lines]
    return dict(((name, label) for name, label in tokens))

# 数据集中label是放在trainLabels.csv文件中
labels = read_csv_labels(os.path.join(data_dir, 'trainLabels.csv'))
labels # 答应labels看一下返回的字典是怎样的

与Kaggle上是相一致的：

print('# 训练样本 :', len(labels))
print('# 类别 :', len(set(labels.values())))

看一下训练样本数和类别数：

接下来，我们定义reorg_train_valid函数来将验证集从原始的训练集中拆分出来。 此函数中的参数valid_ratio是验证集中的样本数与原始训练集中的样本数之比。 更具体地说，令 𝑛 等于样本最少的类别中的图像数量，而 𝑟 是比率。 验证集将为每个类别拆分出 max(⌊𝑛𝑟⌋,1) 张图像。

让我们以valid_ratio=0.1为例，由于原始的训练集有50000张图像，因此train_valid_test/train路径中将有45000张图像用于训练，而剩下5000张图像将作为路径train_valid_test/valid中的验证集。

组织数据集后，同类别的图像将被放置在同一文件夹下。

ps：当我把train数据集下载下来后发现，每张图像的命名是‘id.jpg’，这个id正好和存储label的文件中的id一致，如第一张图片是青蛙，第二、三张都是truck 卡车，第4张是鹿。

因此，通过train文件夹中的每一个图像的文件名，去label文件夹下就能找id，就能找到对应的label。

def copyfile(filename, target_dir):
    """将文件复制到目标目录"""
    os.makedirs(target_dir, exist_ok=True)
    shutil.copy(filename, target_dir)

def reorg_train_valid(data_dir, labels, valid_ratio):
    """将验证集从原始的训练集中拆分出来"""
    # 训练数据集中样本最少的类别中的样本数
    # collections.Counter（a)：计算a中每个元素的数量，按数量从大到小输出
    # 在这里，计算了每一个类别所包含的样本数，例如labels含有 frog，frog，book
    # 使用Counter后，会返回：Counter（{'frog':2,'book':1}）
    # most_common(n)函数:传进去一个可选参数n(代表获取数量最多的前n个元素，如果不传参数，代表返回所有结果)
    # most_common（）函数返回的结果是元组列表，得到[('frog',2),{'book',1}]
    # [-1][1]返回的是最后一行的第1列，也就是样本最少的类别中的样本数
    n = collections.Counter(labels.values()).most_common()[-1][1]

    # 验证集中每个类别的样本数
    n_valid_per_label = max(1, math.floor(n * valid_ratio))

    label_count = {}
    # 对于每一个train文件夹下的图片文件train_file，文件名是id.jpg如1.jpg,2.jpg...
    for train_file in os.listdir(os.path.join(data_dir, 'train')):
        label = labels[train_file.split('.')[0]] # 用每个文件的文件名即id号去找到对应的label
        fname = os.path.join(data_dir, 'train', train_file) # 获得每一个图片的文件路径

        # 创建出train_valid_test/train_valid/label的文件路径后
        # train_valid是一个总文件夹，里面有以每个类别命名的文件夹
        # 把这个图片复制过去，也就是说，把图片放到他对应的label来命名的文件中
        copyfile(fname, os.path.join(data_dir, 'train_valid_test',
                                     'train_valid', label))
        
        # 之后把train_valid文件夹分成valid文件夹和train文件夹
        
        if label not in label_count or label_count[label] < n_valid_per_label:
          # 如果图片的label不在label_count中，或者某个文件中的文件个数少于验证集中的样本数
          # 那么就放入train_valid_test/valid/label 验证集下的label文件中
            copyfile(fname, os.path.join(data_dir, 'train_valid_test',
                                         'valid', label))
            label_count[label] = label_count.get(label, 0) + 1 # 对应的label数+1
        else:
          # 否则放入train_valid_test/train/label 训练集下的label文件中
            copyfile(fname, os.path.join(data_dir, 'train_valid_test',
                                         'train', label))
    return n_valid_per_label

最后，我们会在用train文件夹的数据来训练一个模型，用valid文件夹来看结果调参数，选定参数之后，最后在完整的数据集train_valid文件夹上训练一遍。

下面的reorg_test函数用来在预测期间整理测试集，以方便读取。

def reorg_test(data_dir):
    """在预测期间整理测试集，以方便读取"""
    for test_file in os.listdir(os.path.join(data_dir, 'test')):
      # 把test文件夹下的图片，搬到train_valid_test/test/unknown文件夹下
      # unknown是因为不知道label
        copyfile(os.path.join(data_dir, 'test', test_file),
                 os.path.join(data_dir, 'train_valid_test', 'test',
                              'unknown'))

最后，我们使用一个函数来调用前面定义的函数read_csv_labels、reorg_train_valid和reorg_test，作用分别是 读取保存label的文件，来返回一个dict存储这些标签；将训练数据集整理成训练集和测试集；整理测试集；

# 整理cifar10这个数据集（在这里用的是cifar的demo）
def reorg_cifar10_data(data_dir, valid_ratio):
    labels = read_csv_labels(os.path.join(data_dir, 'trainLabels.csv'))
    reorg_train_valid(data_dir, labels, valid_ratio)
    reorg_test(data_dir)

在这里，我们只将样本数据集的批量大小设置为32。 在实际训练和测试中，应该使用Kaggle竞赛的完整数据集，并将batch_size设置为更大的整数，例如128。 我们将10％的训练样本作为调整超参数的验证集。

batch_size = 32 if demo else 128
valid_ratio = 0.1 # 90%用作训练集来训练模型，10%的数据拿来做验证，选超参数
reorg_cifar10_data(data_dir, valid_ratio)

以上是一个比较傻的方法，实际中图片在哪个文件夹就放在哪里，只是说写一个 class_mydata_iterator来做这个事情，但是如果图片不大的话，用这种形式做出来，不管是哪个框架，通常都会支持这个文件格式。

2. 图像增广

我们使用图像增广来解决过拟合的问题。例如在训练中，我们可以随机水平翻转图像。 我们还可以对彩色图像的三个RGB通道执行标准化。 下面，我们列出了其中一些可以调整的操作。

transform_train = torchvision.transforms.Compose([
    # 在高度和宽度上将图像放大到40像素的正方形
    torchvision.transforms.Resize(40),
    # 随机裁剪出一个高度和宽度均为40像素的正方形图像，
    # 生成一个面积为原始图像面积0.64～1倍的小正方形，
    # 然后将其缩放为高度和宽度均为32像素的正方形
    # 以上这样做的原因是，原始图片太小了是32 x 32，而且已经裁得比较好了，
    # 放大到40的话，会多一点可操作的空间，裁出32 x 32的图片
    torchvision.transforms.RandomResizedCrop(32, scale=(0.64, 1.0),
                                                   ratio=(1.0, 1.0)),
    torchvision.transforms.RandomHorizontalFlip(), # 水平翻转
    torchvision.transforms.ToTensor(),
    # 标准化图像的每个通道（但是这里不normalize可能问题也不大）
    torchvision.transforms.Normalize([0.4914, 0.4822, 0.4465],
                                     [0.2023, 0.1994, 0.2010])])

在测试期间，我们只对图像执行标准化，以消除评估结果中的随机性。

# 测试的话，什么都不用做，原本图像也是32 x 32
transform_test = torchvision.transforms.Compose([
    torchvision.transforms.ToTensor(),
    torchvision.transforms.Normalize([0.4914, 0.4822, 0.4465],
                                     [0.2023, 0.1994, 0.2010])])

3. 读取数据集

接下来，我们读取由原始图像组成的数据集，每个样本都包括一张图片和一个标签。

关于torchvision.datasets.ImageFolder：

# train_ds, train_valid_ds这两个数据集用的是train的数据增广
train_ds, train_valid_ds = [torchvision.datasets.ImageFolder(
    os.path.join(data_dir, 'train_valid_test', folder),
    transform=transform_train) for folder in ['train', 'train_valid']]

# valid和test都不需要做额外的数据增广
valid_ds, test_ds = [torchvision.datasets.ImageFolder(
    os.path.join(data_dir, 'train_valid_test', folder),
    transform=transform_test) for folder in ['valid', 'test']]

在训练期间，我们需要指定上面定义的所有图像增广操作。 当验证集在超参数调整过程中用于模型评估时，不应引入图像增广的随机性。 在最终预测之前，我们根据训练集和验证集组合而成的训练模型进行训练，以充分利用所有标记的数据。

# 定义DataLoader，就是给定批量去随机读取数据
# drop_last=True表示如果最后一个batch_size不等于定好的batch_size，那么就丢弃
train_iter, train_valid_iter = [torch.utils.data.DataLoader(
    dataset, batch_size, shuffle=True, drop_last=True)
    for dataset in (train_ds, train_valid_ds)]

valid_iter = torch.utils.data.DataLoader(valid_ds, batch_size, shuffle=False,
                                         drop_last=True)

# 但是test中drop_last=False，不能丢带最后一截，因为还是要预测的
test_iter = torch.utils.data.DataLoader(test_ds, batch_size, shuffle=False,
                                        drop_last=False)

# 不过现在来说，不要丢也没关系

4. 定义模型

我们定义了之前描述的Resnet-18模型。

def get_net():
    num_classes = 10 # 10个类别
    # # 需要两个传递的参数，一个是多少类，一个输入通道是3通道，RGB
    net = d2l.resnet18(num_classes, 3) 
    return net

# reduction="none" 表示不要把loss加起来，当然加起来也可以，无所谓
loss = nn.CrossEntropyLoss(reduction="none") 

5. 定义训练函数

我们将根据模型在验证集上的表现来选择模型并调整超参数。 下面我们定义了模型训练函数train。

这个train函数没有本质区别，唯一的区别就是优化的时候加上了lr_period, lr_decay两个参数，在凸优化上面，随机梯度下降收敛的前提是学习率要不断减小，在之前，我们设定学习率都是平的，不变的。

为什么要减少呢？因为当迭代越靠近最优解的时候，相对来说步子要走小一点。并且因为是随机梯度下降,所以每次随机采样一些样本，是存在方差的。如果批量很大当然方差很小，但是批量很小的情况下，方差会很大。方差可以认为是一个噪音，方差的好处是不容易陷入到local的局部最优点，但是坏处是可以带偏。

所以学习率变低的话，就算方差固定，学习率越来越低，那么乱走的趋势就会变低。在最后收敛的时候不希望是在乱走。

# 每隔lr_period个轮次，就把学习率降低lr_decay
def train(net, train_iter, valid_iter, num_epochs, lr, wd, devices, lr_period,
          lr_decay):
    trainer = torch.optim.SGD(net.parameters(), lr=lr, momentum=0.9,
                              weight_decay=wd)
    # 每隔lr_period个轮次，把学习率和lr_decay相乘
    scheduler = torch.optim.lr_scheduler.StepLR(trainer, lr_period, lr_decay)
    num_batches, timer = len(train_iter), d2l.Timer()
    legend = ['train loss', 'train acc']
    if valid_iter is not None:
        legend.append('valid acc')
    animator = d2l.Animator(xlabel='epoch', xlim=[1, num_epochs],
                            legend=legend)
    # 移动设备，在cifar-10这个数据集上能用多个GPu就用多个GPU
    net = nn.DataParallel(net, device_ids=devices).to(devices[0])
    for epoch in range(num_epochs):
        net.train()
        metric = d2l.Accumulator(3)
        for i, (features, labels) in enumerate(train_iter):
            timer.start()
            l, acc = d2l.train_batch_ch13(net, features, labels,
                                          loss, trainer, devices)
            metric.add(l, acc, labels.shape[0])
            timer.stop()
            if (i + 1) % (num_batches // 5) == 0 or i == num_batches - 1:
                animator.add(epoch + (i + 1) / num_batches,
                             (metric[0] / metric[2], metric[1] / metric[2],
                              None))
        if valid_iter is not None:
            valid_acc = d2l.evaluate_accuracy_gpu(net, valid_iter)
            animator.add(epoch + 1, (None, None, valid_acc))
        scheduler.step() # 每个epoch要更新一下，会访问学习率，对其做相应的更新
    measures = (f'train loss {metric[0] / metric[2]:.3f}, '
                f'train acc {metric[1] / metric[2]:.3f}')
    if valid_iter is not None:
        measures += f', valid acc {valid_acc:.3f}'
    print(measures + f'\n{metric[2] * num_epochs / timer.sum():.1f}'
          f' examples/sec on {str(devices)}')

6. 训练和验证模型

现在，我们可以训练和验证模型了，而以下所有超参数都可以调整。

例如，我们可以增加周期的数量。当lr_period和lr_decay分别设置为4和0.9时，优化算法的学习速率将在每4个周期乘以0.9。 为便于演示，我们在这里只训练20个周期。

devices, num_epochs, lr, wd = d2l.try_all_gpus(), 20, 2e-4, 5e-4
lr_period, lr_decay, net = 4, 0.9, get_net()
train(net, train_iter, valid_iter, num_epochs, lr, wd, devices, lr_period,
      lr_decay)

7. 在 Kaggle 上对测试集进行分类并提交结果

在获得具有超参数的满意的模型后，我们使用所有标记的数据（包括验证集）来重新训练模型并对测试集进行分类。

net, preds = get_net(), []
# 在完整的数据集上重新训练模型（train_valid_iter），并且这里也没有valid_iter了
train(net, train_valid_iter, None, num_epochs, lr, wd, devices, lr_period,
      lr_decay)

for X, _ in test_iter:
  # 要把输入X搬到GPU[0]上
    y_hat = net(X.to(devices[0]))
    # 转换后读到cpu上
    preds.extend(y_hat.argmax(dim=1).type(torch.int32).cpu().numpy())
sorted_ids = list(range(1, len(test_ds) + 1))
sorted_ids.sort(key=lambda x: str(x))
df = pd.DataFrame({'id': sorted_ids, 'label': preds})
df['label'] = df['label'].apply(lambda x: train_valid_ds.classes[x])
df.to_csv('submission.csv', index=False) # 存成一个submission.csv

向Kaggle提交结果的方法与之前提交方法类似，上面的代码将生成一个 submission.csv文件，其格式符合Kaggle竞赛的要求。

如下，在colab的侧边栏可以看到生成了submission.csv文件：

8. 向Kaggle提交结果

把submission.csv下载到本地，就能向Kaggle提交结果了：

记录一下练习题，等之后连接服务器了再试，并且使用完整数据集：