MindSpore提供了数据预处理的功能,可以通过不同种类的数据变换(Transforms)来对原始数据进行处理,然后使用数据处理Pipeline来实现数据预处理。mindspore.dataset 提供了面向图像、文本、音频等不同数据类型的Transforms,同时也支持使用Lambda函数。
mindspore.dataset.transforms
模块支持一系列通用Transforms。
Compose
接收一个数据增强操作序列,然后将其组合成单个数据增强操作。我们仍基于Mnist数据集呈现Transforms的应用效果。
依然还是先下载文件进行处理。
mindspore.dataset.vision
模块提供一系列针对图像数据的Transforms。在Mnist数据处理过程中,使用了Rescale
、Normalize
和HWC2CHW
变换。下面对其进行详述。
Rescale
变换用于调整图像像素值的大小,包括两个参数:
Normalize变换用于对输入图像的归一化,包括三个参数:
HWC2CHW变换用于在不同硬件设备中转换图像格式,从(height, width, channel)到(channel, height, width)。MindSpore默认使用HWC格式,但在需要CHW格式时可以使用该变换进行处理。
mindspore.dataset.text
模块提供一系列针对文本数据的Transforms。与图像数据不同,文本数据需要有分词(Tokenize)、构建词表、Token转Index等操作。这里简单介绍其使用方法。
分词(Tokenize)操作是文本数据的基础处理方法,MindSpore提供多种不同的Tokenizer。这里我们选择基础的PythonTokenizer
举例,此Tokenizer允许用户自由实现分词策略。随后我们利用map
操作将此分词器应用到输入的文本中,对其进行分词。
Lookup
为词表映射变换,用来将Token转换为Index。在使用Lookup
前,需要构造词表,一般可以加载已有的词表,或使用Vocab
生成词表。这里我们选择使用Vocab.from_dataset
方法从数据集中生成词表。
Lambda函数是一种不需要名字、由一个单独表达式组成的匿名函数,表达式会在调用时被求值。Lambda Transforms可以加载任意定义的Lambda函数,提供足够的灵活度。在这里,我们首先使用一个简单的Lambda函数,对输入数据乘2:、
MindSpore提供了多种适用于图像、文本等不同类型数据的数据预处理变换算子,包括通用变换、Vision Transforms和Text Transforms。这些变换可以灵活组合使用,构建出复杂的数据处理流水线,为下游的模型训练做好数据准备。
总的来说,MindSpore的数据变换功能丰富全面,可以灵活地满足不同数据类型的预处理需求,为机器学习模型的训练做好铺垫。