快速修复

Question

我正在尝试使用python中的Theano库对Deep Belief Networks进行一些实验。我使用此地址中的代码：DBN full code。此代码使用MNIST Handwritten database。此文件已处于pickle格式。它在以下内容中未被提及：

train_set
valid_set
TEST_SET

在下面进一步展开：

train_set_x，train_set_y = train_set
valid_set_x，valid_set_y = valid_set
test_set_x，test_set_y = test_set

请有人给我构建此数据集的代码以创建我自己的代码吗？我使用的DBN示例需要这种格式的数据，我不知道该怎么做。如果有人有任何想法如何解决这个问题，请告诉我。

这是我的代码：

from datetime import datetime
import time
import os
from pprint import pprint
import numpy as np
import gzip, cPickle
import theano.tensor as T
from theano import function


os.system("cls")

filename = "completeData.txt"


f = open(filename,"r")
X = []
Y = []

for line in f:
        line = line.strip('\n')  
        b = line.split(';')
        b[0] = float(b[0])
        b[1] = float(b[1])
        b[2] = float(b[2])
        b[3] = float(b[3])
        b[4] = float(b[4])
        b[5] = float(b[5])
        b[6] = float(b[6])
        b[7] = float(b[7])
        b[8] = float(b[8])
        b[9] = float(b[9])
        b[10] = float(b[10])
        b[11] = float(b[11])
        b[12] = float(b[12])
        b[13] = float(b[13])
        b[14] = float(b[14])
        b[15] = float(b[15])
        b[17] = int(b[17])
        X.append(b[:16])
        Y.append(b[17])

Len = len(X);
X = np.asmatrix(X)
Y = np.asarray(Y)

sizes = [0.8, 0.1, 0.1]
arr_index = int(sizes[0]*Len)
arr_index2_start = arr_index + 1
arr_index2_end = arr_index + int(sizes[1]*Len)
arr_index3_start = arr_index2_start + 1

"""
train_set_x = np.array(X[:arr_index])
train_set_y = np.array(Y[:arr_index])

val_set_x = np.array(X[arr_index2_start:arr_index2_end])
val_set_y = np.array(Y[arr_index2_start:arr_index2_end])

test_set_x = np.array(X[arr_index3_start:])
test_set_y = np.array(X[arr_index3_start:])

train_set = train_set_x, train_set_y
val_set = val_set_x, val_set_y
test_set = test_set_x, test_set_y
"""
x = T.dmatrix('x')
z = x
t_mat = function([x],z)

y = T.dvector('y')
k = y
t_vec = function([y],k)

train_set_x = t_mat(X[:arr_index].T)
train_set_y = t_vec(Y[:arr_index])
val_set_x = t_mat(X[arr_index2_start:arr_index2_end].T)
val_set_y = t_vec(Y[arr_index2_start:arr_index2_end])
test_set_x = t_mat(X[arr_index3_start:].T)
test_set_y = t_vec(Y[arr_index3_start:])

train_set = train_set_x, train_set_y
val_set = val_set_x, val_set_y
test_set = test_set_x, test_set_y

dataset = [train_set, val_set, test_set]

f = gzip.open('..\..\..\data\dex.pkl.gz','wb')
cPickle.dump(dataset, f, protocol=-1)
f.close()

pprint(train_set_x.shape)

print('Finished\n')

Answer 1

没有必要使用.pkl文件将Theano教程中的代码调整为您自己的数据。您只需要模仿他们的数据结构。

快速修复

寻找以下几行。它位于 DBN.py 的第303行。

datasets = load_data(dataset)
train_set_x, train_set_y = datasets[0]

替换为您自己的train_set_x和train_set_y。

my_x = []
my_y = []
with open('path_to_file', 'r') as f:
    for line in f:
        my_list = line.split(' ') # replace with your own separator instead
        my_x.append(my_list[1:-1]) # omitting identifier in [0] and target in [-1]
        my_y.append(my_list[-1])
train_set_x = theano.shared(numpy.array(my_x, dtype='float64'))
train_set_y = theano.shared(numpy.array(my_y, dtype='float64'))

根据您输入的数据和您正在使用的代码进行调整。

同样适用于 cA.py ， dA.py 和 SdA.py ，但它们仅使用train_set_x。

查找n_ins=28 * 28等位置，其中mnist图像大小是硬编码的。将28 * 28替换为您自己的列数。

解释

这是您将数据放入Theano可以使用的格式的地方。

train_set_x = theano.shared(numpy.array(my_x, dtype='float64'))
train_set_y = theano.shared(numpy.array(my_y, dtype='float64'))

shared()将一个numpy数组转换为专为GPU效率而设计的Theano格式。

预计Theano阵列中会出现

dtype='float64'。

有关basic tensor functionality的更多详情。

.pkl文件

.pkl文件是一种保存数据结构的方法。

您可以创建自己的。

import cPickle
f = file('my_data.pkl', 'wb')
    cPickle.dump((train_set_x, train_set_y), f, protocol=cPickle.HIGHEST_PROTOCOL)
f.close()

有关loading and saving的更多详情。

Answer 2

pickle文件代表3个列表的元组：训练集，验证集和测试集。（火车，val，测试）

三个列表中的每一个是由图像列表和每个图像的类标签列表形成的对。
图像表示为0到1之间的784（28 x 28）个浮点值的numpy 1维数组（0表示黑色，1表示白色）。
标签是0到9之间的数字，表示图像代表的是哪个数字。

Answer 3

这可以提供帮助：

from PIL import Image
from numpy import genfromtxt
import gzip, cPickle
from glob import glob
import numpy as np
import pandas as pd
Data, y = dir_to_dataset("trainMNISTForm\\*.BMP","trainLabels.csv")
# Data and labels are read 

train_set_x = Data[:2093]
val_set_x = Data[2094:4187]
test_set_x = Data[4188:6281]
train_set_y = y[:2093]
val_set_y = y[2094:4187]
test_set_y = y[4188:6281]
# Divided dataset into 3 parts. I had 6281 images.

train_set = train_set_x, train_set_y
val_set = val_set_x, val_set_y
test_set = test_set_x, val_set_y

dataset = [train_set, val_set, test_set]

f = gzip.open('file.pkl.gz','wb')
cPickle.dump(dataset, f, protocol=2)
f.close()

这是我使用的功能。可能会根据您的文件详细信息进行更改。

def dir_to_dataset(glob_files, loc_train_labels=""):
    print("Gonna process:\n\t %s"%glob_files)
    dataset = []
    for file_count, file_name in enumerate( sorted(glob(glob_files),key=len) ):
        image = Image.open(file_name)
        img = Image.open(file_name).convert('LA') #tograyscale
        pixels = [f[0] for f in list(img.getdata())]
        dataset.append(pixels)
        if file_count % 1000 == 0:
            print("\t %s files processed"%file_count)
    # outfile = glob_files+"out"
    # np.save(outfile, dataset)
    if len(loc_train_labels) > 0:
        df = pd.read_csv(loc_train_labels)
        return np.array(dataset), np.array(df["Class"])
    else:
        return np.array(dataset)

如何将我的数据集放在.pkl文件中，使用“mnist.pkl.gz”中使用的确切格式和数据结构？

3 个答案:

快速修复

解释

.pkl文件