MXNet Python Data Loading API

• Introduction 介绍 MXNet 数据加载模块的主要特性.
• Parameters For Data Iterator 阐述清楚 dataIter 的参数的不同用法.
• Create A Data Iterator 介绍如何在创建一个 python 版本的 MXNet 的 Data Iterator.
• How To Get Data 介绍数据源以及数据预处理工具.
• IO API Reference IO API 参考文档以及它们的解释.

Introduction

这页面介绍 MXNet 的数据输入方式. MXNet 使用迭代器 (iterator)的方式向神经网络输入数据. 迭代器做了一些数据预处理, 同时以 batch 的形式向神经网络提供数据.

• 我们为 MNIST 图像和 RecordIO 图像提供了基本的迭代器.
• 为了掩盖 IO 开销, 我们提供了预处理策略, 它可以让机器学习的过程和取数据的过程并行来做. 我们使用一个单独的线程来做取数据的工作.

Parameters For Data Iterator

一般地讲, 如果你要创建一个数据迭代器, 你需要实现下面讲到的五种参数:

• Dataset Param 提供数据集的基本信息, 比如说, 文件路径, 输入的数据的 shape.
• Batch Param 提供构建一个 batch 的信息, 比如说 batch size.
• Augmentation Param 指定输入数据的扩充方式 (e.g. crop, mirror).
• Backend Param 控制后端线程掩盖数据加载开销的行为.
• Auxiliary Param 提供的可选项, 用来帮助检查和 debug..

通常地讲, Dataset Param 和 Batch Param 必须 提 供, 否则 data batch 无法创建. 其他的参数根据算法和性能的需要来设置. 文档的后半部分会提供解释详尽的例子.

Create A Data Iterator

这个 IO API 提供在 python 中创建数据迭代器的简单方式. 下面的代码是如何创建一个 Cifar 的数据迭代器的代码.

>>>dataiter = mx.io.ImageRecordIter(
>>>        # Utility Parameter 
>>>        # 可选
>>>        # Name of the data, should match the name of the data input of the network 
>>>        # data_name='data',
>>>        # Utility Parameter
>>>        # 可选
>>>        # Name of the label, should match the name of the label parameter of the network.
>>>        # Usually, if the loss layer is named 'foo', then the label input has the name
>>>        # 'foo_label', unless overwritten
>>>        # label_name='softmax_label',
>>>        # Dataset Parameter
>>>        # Impulsary
>>>        # indicating the data file, please check the data is already there
>>>        path_imgrec="data/cifar/train.rec",
>>>        # Dataset Parameter
>>>        # Impulsary
>>>        # indicating the image size after preprocessing
>>>        data_shape=(3,28,28),
>>>        # Batch Parameter
>>>        # Impulsary
>>>        # tells how many images in a batch
>>>        batch_size=100,
>>>        # Augmentation Parameter
>>>        # 可选
>>>        # when offers mean_img, each image will substract the mean value at each pixel
>>>        mean_img="data/cifar/cifar10_mean.bin",
>>>        # Augmentation Parameter
>>>        # 可选
>>>        # randomly crop a patch of the data_shape from the original image
>>>        rand_crop=True,
>>>        # Augmentation Parameter
>>>        # Optional
>>>        # randomly mirror the image horizontally
>>>        rand_mirror=True,
>>>        # Augmentation Parameter
>>>        # Optional
>>>        # randomly shuffle the data
>>>        shuffle=False,
>>>        # Backend Parameter
>>>        # Optional
>>>        # Preprocessing thread number
>>>        preprocess_threads=4,
>>>        # Backend Parameter
>>>        # Optional
>>>        # Prefetch buffer size
>>>        prefetch_buffer=1)

从上面的代码中, 我们可以学到如何创建一个数据迭代器. 首先, 你需要明确的指出需要取哪种类型的数据(MNIST, ImageRecord 等等). 然后, 提供描述数据的可选参数, 比如 batching, 数据扩充方式, 多线程处理, 预取数据. MNNet 框架会检查参数的有效性, 如果一个必须的参数没有提供, 框架会报错.

How To Get Data

我们提供了 脚本 来下载MNIST数据 和Cifar10 ImageRecord 数据. 如果你要创建你自己的数据集, 我们建议您用RecordIO 作为数据格式.

Create Dataset Using RecordIO

RecordIO 实现了顺序存储 record 的数据格式. 我们建议图像数据按照 record 的格式来存储和打包到一起. 这样做的有以下几点:

• 将图像储存为压缩过的格式, 比如 JPEG, 因为 record 可以大小不同. 压缩过的格式可以极大的减小储存在硬盘上的数据集大小.
• 将若干 record 打包存储, 可以实现硬盘的连续读取, 避免随机读取硬盘.
• RecordIO 容易分块, 这样分布式处理的设置会更加简单. 后面会有例子具体来说明.

我们提供了 im2rec tool 来让用户自己来生成 RecordIO 格式的数据集. 下面是具体流程:

0.Before you start

确定你已经下载了需要的数据集. 你不需要自己来做图像的 resize 操作, 现在 im2rec 这个工具可以自动来做这种操作. 你可以查看 im2rec 提供的的信息来获取更多的内容.

1.Make the image list

当你得到了信息之后, 你首先需要生成一个 image list 的文件. 格式如下

integer_image_index \t label_index \t path_to_image

通常, 这个程序会读取一个包含所有图像文件名的列表文件, shuffe 这些文件, 然后将 shuffe 后的图像文件名列表分为训练列表文件和测试列表文件. 按照下面给出的例子的格式存储.

简单的例子文件

895099  464     n04467665_17283.JPEG
10025081        412     ILSVRC2010_val_00025082.JPEG
74181   789     n01915811_2739.JPEG
10035553        859     ILSVRC2010_val_00035554.JPEG
10048727        929     ILSVRC2010_val_00048728.JPEG
94028   924     n01980166_4956.JPEG
1080682 650     n11807979_571.JPEG
972457  633     n07723039_1627.JPEG
7534    11      n01630670_4486.JPEG
1191261 249     n12407079_5106.JPEG

2.Make the binary file

需要用 im2rec 这个程序来生成二进制文件. im2rec 需要你刚刚生成的 _ image list file _ 的路径, 图像的 root 路径 和 output file 路径作为参数. 这个过程需要花费几个小时, 所以需要耐心. :)

简单的例子:

./bin/im2rec image.lst image_root_dir output.bin resize=256

要想获得更多的用法, 直接运行 ./bin/im2rec命令, 会在终端打印出详细的用法.

Extension: Mutliple Labels for a Single Image

im2rec 工具以及 mx.io.ImageRecordIter 支持对单个图像打多个标签. 假设你需要为单个图像打四个标签, 你可以按照下面的步骤来使用 RecordIO 相关的工具.

1. 按照下面的格式生成 image list 文件:

integer_image_index \t label_1 \t label_2 \t label_3 \t label_4 \t path_to_image

2. 使用 im2rec 时, 需要增加一个 'label_width=4' 作为命令行参数, 比如.

./bin/im2rec image.lst image_root_dir output.bin resize=256 label_width=4

3. 在你的迭代器初始化的时候, 设置 label_width=4 和 path_imglist=<<The PATH TO YOUR image.lst>> 作为参数.

dataiter = mx.io.ImageRecordIter(
  path_imgrec="data/cifar/train.rec",
  data_shape=(3,28,28),
  path_imglist="data/cifar/image.lst",
  label_width=4
)

这样你就完成了一个多标签的数据迭代器.

.. raw:: html

    <script type="text/javascript" src='../../_static/js/auto_module_index.js'></script>

IO API Reference

.. automodule:: mxnet.io
    :members:

.. raw:: html

    <script>auto_index("mxnet.io");</script>