10

我正在尝试使用 Python 中的 Theano 库对 Deep Belief Networks 进行一些实验。我使用这个地址中的代码：DBN full code。此代码使用MNIST 手写数据库。这个文件已经是pickle格式了。它未选中：

  • 动车组
  • 有效集
  • 测试集

在以下内容中进一步未腌制：

  • train_set_x, train_set_y = train_set
  • 有效集合 x，有效集合 y = 有​​效集合
  • test_set_x, test_set_y = test_set

请问有人可以给我构造这个数据集的代码以便创建我自己的吗？我使用的 DBN 示例需要这种格式的数据，我不知道该怎么做。如果有人对如何解决此问题有任何想法，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')
4

3 回答 3

6

将 Theano 教程中的代码改编为您自己的数据不需要 .pkl 文件。你只需要模仿他们的数据结构。

快速解决

查找以下行。这是DBN.py上的第 303 行。

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

替换为您自己的train_set_xand 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'))

将此适应您的输入数据和您正在使用的代码。

同样的事情适用于cA.py，dA.py和SdA.py但他们只使用train_set_x.

寻找诸如n_ins=28 * 28mnist 图像大小被硬编码的地方。替换28 * 28为您自己的列数。

解释

在这里，您可以将数据以 Theano 可以使用的格式放置。

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

shared()将 numpy 数组转换为专为提高 GPU 效率而设计的 Theano 格式。

dtype='float64'预计在 Theano 数组中。

有关基本张量功能的更多详细信息。

.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()

有关加载和保存的更多详细信息。

于 2015-08-06T16:39:06.013 回答
5

腌制文件表示 3 个列表的元组：训练集、验证集和测试集。（训练，验证，测试）

  • 这三个列表中的每一个都是由图像列表和每个图像的类标签列表形成的一对。
  • 图像表示为 784 (28 x 28) 个介于 0 和 1 之间的浮点值的 numpy 一维数组（0 代表黑色，1 代表白色）。
  • 标签是 0 到 9 之间的数字，表示图像代表的数字。
于 2014-10-07T04:42:16.730 回答
3

这可以帮助：

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而更改。

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)
于 2014-12-23T04:19:04.490 回答