PyTorch হল একটি গভীর-শিক্ষার কাঠামো যা ব্যবহারকারীদের নিউরাল নেটওয়ার্ক তৈরি/নির্মাণ এবং প্রশিক্ষণ দিতে সক্ষম করে। একটি ডেটাসেট হল একটি ডেটা কাঠামো যাতে ডেটা নমুনা এবং লেবেলের একটি সেট/সংগ্রহ থাকে। এটি সম্পূর্ণরূপে ডেটা অ্যাক্সেস করার বা ইন্ডেক্সিং এবং স্লাইসিং অপারেশন ব্যবহার করার একটি উপায় প্রদান করে। অধিকন্তু, একটি ডেটাসেট ডেটাতে রূপান্তর প্রয়োগ করতে পারে, যেমন ক্রপ করা, আকার পরিবর্তন করা ইত্যাদি৷ ব্যবহারকারীরা সহজেই PyTorch-এ ডেটাসেটটি পুনরাবৃত্তি এবং কল্পনা করতে পারে৷
এই লেখাটি PyTorch ব্যবহার করে একটি নির্দিষ্ট ডেটাসেট পুনরাবৃত্তি এবং কল্পনা করার পদ্ধতিকে চিত্রিত করবে।
কিভাবে PyTorch ব্যবহার করে ডেটাসেট পুনরাবৃত্তি এবং ভিজ্যুয়ালাইজ করবেন?
PyTorch ব্যবহার করে একটি নির্দিষ্ট ডেটাসেট পুনরাবৃত্তি এবং কল্পনা করতে, প্রদত্ত পদক্ষেপগুলি অনুসরণ করুন:
ধাপ 1: প্রয়োজনীয় লাইব্রেরি আমদানি করুন
প্রথমত, প্রয়োজনীয় লাইব্রেরি আমদানি করুন। উদাহরণস্বরূপ, আমরা নিম্নলিখিত লাইব্রেরিগুলি আমদানি করেছি:
আমদানি মশাল
torch.utils.data থেকে ডেটাসেট আমদানি করুন
টর্চভিশন আমদানি ডেটাসেট থেকে
torchvision.transforms থেকে ToTensor আমদানি করে
matplotlib.pyplot আমদানি করুন হিসাবে plt
এখানে:
-
- ' আমদানি মশাল ” পাইটর্চ লাইব্রেরি আমদানি করে।
- ' torch.utils.data থেকে ডেটাসেট আমদানি করুন PyTorch-এ কাস্টম ডেটাসেট তৈরির জন্য PyTorch-এর 'torch.utils.data' মডিউল থেকে 'ডেটাসেট' ক্লাস আমদানি করে।
- ' টর্চভিশন আমদানি ডেটাসেট থেকে 'টর্চভিশন' লাইব্রেরি থেকে 'ডেটাসেট' মডিউল আমদানি করে যা কম্পিউটার ভিশন কাজের জন্য প্রাক-সংজ্ঞায়িত ডেটাসেট প্রদান করে।
- ' torchvision.transforms থেকে ToTensor আমদানি করে PIL ছবি বা NumPy অ্যারেগুলিকে PyTorch টেনসরে রূপান্তর করার জন্য 'torchvision.transforms' থেকে 'ToTensor' রূপান্তর আমদানি করে৷
- ' matplotlib.pyplot plt হিসাবে আমদানি করুন ” ডেটা ভিজ্যুয়ালাইজেশনের জন্য ম্যাটপ্লটলিব লাইব্রেরি আমদানি করে:
ধাপ 2: ডেটাসেট লোড করুন
এখন, আমরা নিম্নলিখিত পরামিতিগুলির সাথে প্রশিক্ষণ এবং পরীক্ষার উদ্দেশ্যে টর্চভিশন থেকে FashionMNIST ডেটাসেট লোড করব:
tr_data = ডেটাসেট।FashionMNIST ( মূল = 'তথ্য' , ট্রেন =সত্যি, ডাউনলোড =সত্যি, রূপান্তর =ToTensor ( ))
ts_data = ডেটাসেট।FashionMNIST ( মূল = 'তথ্য' , ট্রেন =মিথ্যা, ডাউনলোড =সত্যি, রূপান্তর =ToTensor ( )
)
এখানে:
-
- ' FashionMNIST ” টর্চভিশন লাইব্রেরি থেকে FashionMNIST ডেটাসেট লোড করে৷
- ' রুট = 'ডেটা' ” ডিরেক্টরিটি নির্দিষ্ট করে যেখানে ডেটাসেট সংরক্ষণ করা হবে বা লোড করা হবে যদি এটি ইতিমধ্যে বিদ্যমান থাকে। আমাদের ক্ষেত্রে, এটি 'ডেটা' ডিরেক্টরি।
- ' ট্রেন ” প্রশিক্ষণ বা পরীক্ষার ডেটাসেট নির্দেশ করে।
- ' ডাউনলোড=সত্য ' যদি এটি ইতিমধ্যে উপস্থিত না থাকে তবে ডেটাসেট ডাউনলোড করে৷
- ' রূপান্তর=ToTensor() ডেটাসেটের ছবিগুলিকে PyTorch টেনসরে রূপান্তর করতে ToTensor রূপান্তর প্রয়োগ করে:
ধাপ 3: ডেটাসেটে লেবেল ক্লাস
এর পরে, একটি অভিধান তৈরি করুন যা ফ্যাশনএমএনআইএসটি ডেটাসেটে ক্লাস সূচকগুলিকে তাদের সংশ্লিষ্ট শ্রেণির লেবেলে ম্যাপ করে। এটি প্রতিটি শ্রেণীর জন্য মানব-পাঠযোগ্য লেবেল সরবরাহ করে। এখানে, আমরা তৈরি করেছি ' ম্যাপ করা_লেবেল ” অভিধান এবং আমরা ক্লাস সূচকগুলিকে তাদের সংশ্লিষ্ট শ্রেণি লেবেলে রূপান্তর করতে এটি ব্যবহার করব:
ম্যাপড_লেবেল = {0 : 'টি-শার্ট' ,
1 : 'ট্রাউজার' ,
2 : 'পুলোভার' ,
3 : 'পোশাক' ,
4 : 'কোট' ,
5 : 'চন্দন' ,
6 : 'শার্ট' ,
7 : 'স্নিকার' ,
8 : 'থলে' ,
9 : 'গোড়ালি বুট' ,
}
ধাপ 4: ডেটাসেট ভিজ্যুয়ালাইজ করুন
অবশেষে, 'matplotlib' লাইব্রেরি ব্যবহার করে প্রশিক্ষণের ডেটাতে নমুনাগুলি কল্পনা করুন:
fig = plt.figure ( figsize = ( 8 , 8 ) )কর্নেল , সারি = 3 , 3
জন্য i ভিতরে পরিসীমা ( 1 , কর্নেল * সারি + 1 ) :
sample_index = torch.randint ( কেবল ( tr_তারিখ ) , আকার = ( 1 , ) ) .আইটেম ( )
img, লেবেল = tr_data [ নমুনা_সূচক ]
fig.add_subplot ( সারি, কর্নেল , i )
plt.title ( ম্যাপ করা_লেবেল [ লেবেল ] )
plt.axis ( 'বন্ধ' )
plt.imshow ( img.squeeze ( ) , cmap = 'ধূসর' )
plt.show ( )
বিঃদ্রঃ : আপনি এখানে আমাদের Google Colab নোটবুক অ্যাক্সেস করতে পারেন লিঙ্ক .
এটি PyTorch ব্যবহার করে পছন্দসই ডেটাসেট পুনরাবৃত্তি এবং ভিজ্যুয়ালাইজ করার বিষয়ে ছিল।
উপসংহার
PyTorch ব্যবহার করে একটি নির্দিষ্ট ডেটাসেট পুনরাবৃত্তি এবং কল্পনা করতে, প্রথমে প্রয়োজনীয় লাইব্রেরিগুলি আমদানি করুন। তারপরে, প্রয়োজনীয় প্যারামিটার সহ প্রশিক্ষণ এবং পরীক্ষার জন্য পছন্দসই ডেটাসেট লোড করুন। এর পরে, ডেটাসেটে ক্লাস লেবেল করুন এবং 'ম্যাটপ্লটলিব' লাইব্রেরি ব্যবহার করে প্রশিক্ষণ ডেটাতে নমুনাগুলি কল্পনা করুন। এই লেখাটি PyTorch ব্যবহার করে একটি নির্দিষ্ট ডেটাসেট পুনরাবৃত্তি এবং কল্পনা করার পদ্ধতিকে চিত্রিত করেছে।