在 Pytorch 中将多类图像分类简化为二进制分类

社会演员多 2年前 pytorch 207

原文标题 ：Reduce multiclass image classification to binary classification in Pytorch

我正在研究一个由 10 个不同类组成的 stl-10 图像数据集。我想将这个多类图像分类问题简化为二元类图像分类，例如 1 类 Vs 休息。我正在使用 PyTorch torchvision 下载和使用 stl 数据，但我无法像其他人一样做到这一点。

train_data=torchvision.datasets.STL10(root='data',split='train',transform=data_transforms['train'], download=True)
test_data=torchvision.datasets.STL10(root='data',split='test',transform=data_transforms['val'], download=True)

train_dataloader = DataLoader(train_data,batch_size = 64,shuffle=True,num_workers=2)
test_dataloader = DataLoader(test_data,batch_size = 64,shuffle=True,num_workers=2)

原文链接：https://stackoverflow.com//questions/71889622/reduce-multiclass-image-classification-to-binary-classification-in-pytorch

我来回复

ki-ljl 评论

您需要重新标记图像。最开始class 0对应label 0，class 1对应label 1，…，class 10对应label 9。如果要实现二分类，需要更改类别1的图片的label （或其他）为0，所有其他类别的图片为1。

2年前 0条评论
asymptote 评论
一种方法是在运行时更新标签值，然后再将它们传递给训练循环中的损失函数。假设我们要将类 5 重新标记为 1，其余的标记为 0：
```
my_class_id = 5
for imgs, labels in train_dataloader:
    labels = torch.where(labels == my_class_id, 1, 0)
    ...
```
您可能还需要对 test_dataloader 进行类似的重新标记。另外，我不确定labels的数据类型。如果它是浮动的，请相应地更改。
2年前 0条评论

Balagopal Unnikrishnan 评论

对于 torchvision 数据集，有一种内置的方法可以做到这一点。您需要定义一个转换函数或类，并在创建数据集时将其添加到target_transform中。

torchvision.datasets.STL10(root: str, split: str = 'train', folds: Union[int, NoneType] = None, transform: Union[Callable, NoneType] = None, target_transform: Union[Callable, NoneType] = None, download: bool = False)

这是一个可供参考的工作示例：


import torchvision
from torch.utils.data import DataLoader
from torchvision import transforms


class Multi2UniLabelTfm():
    def __init__(self,pos_label=5):
        if isinstance(pos_label,int) or isinstance(pos_label,float):
            pos_label = [pos_label,]
        self.pos_label = pos_label

    def __call__(self,y):
        # if y==self.pos_label:
        if y in self.pos_label:
            return 1
        else:
            return 0

if __name__=='__main__':

    test_tfms = transforms.Compose([
        transforms.ToTensor()
    ])
    data_transforms = {'val':test_tfms}


    #Original Labels
    # target_transform = None   

    # Label 5 is converted to 1. Rest are 0.
    # target_transform = Multi2UniLabelTfm(pos_label=5)     

    # Labels 5,6,7 are converted to 1. Rest are 0.
    target_transform = Multi2UniLabelTfm(pos_label=[5,6,7])
    test_data=torchvision.datasets.STL10(root='data',split='test',transform=data_transforms['val'], download=True, target_transform=target_transform)
    test_dataloader = DataLoader(test_data,batch_size = 64,shuffle=True,num_workers=2)

    for idx,(x,y) in enumerate(test_dataloader):
        print(idx,y)

        if idx == 5:
            break

2年前 0条评论