PyTorch ایک گہری سیکھنے کا فریم ورک ہے جو صارفین کو نیورل نیٹ ورک بنانے/بنانے اور تربیت دینے کے قابل بناتا ہے۔ ڈیٹاسیٹ ایک ڈیٹا ڈھانچہ ہے جس میں ڈیٹا کے نمونوں اور لیبلز کا مجموعہ/مجموعہ ہوتا ہے۔ یہ مجموعی طور پر ڈیٹا تک رسائی حاصل کرنے یا انڈیکسنگ اور سلائسنگ آپریشنز کا استعمال کرنے کا ایک طریقہ فراہم کرتا ہے۔ مزید برآں، ڈیٹا سیٹ ڈیٹا میں تبدیلیوں کو بھی لاگو کر سکتا ہے، جیسے تراشنا، سائز تبدیل کرنا، وغیرہ۔ صارفین آسانی سے PyTorch میں ڈیٹا سیٹ کا اعادہ اور تصور کر سکتے ہیں۔
یہ تحریر PyTorch کا استعمال کرتے ہوئے ایک مخصوص ڈیٹاسیٹ کو اعادہ اور تصور کرنے کے طریقہ کی وضاحت کرے گی۔
PyTorch کا استعمال کرتے ہوئے ڈیٹاسیٹ کا اعادہ اور تصور کیسے کریں؟
PyTorch کا استعمال کرتے ہوئے کسی خاص ڈیٹاسیٹ کی تکرار اور تصور کرنے کے لیے، فراہم کردہ مراحل پر عمل کریں:
مرحلہ 1: ضروری لائبریری درآمد کریں۔
پہلے، مطلوبہ لائبریریاں درآمد کریں۔ مثال کے طور پر، ہم نے درج ذیل لائبریریوں کو درآمد کیا ہے:
ٹارچ درآمد کریں۔
torch.utils.data درآمد ڈیٹا سیٹ سے
ٹارچ ویژن امپورٹ ڈیٹاسیٹس سے
torchvision.transforms سے ToTensor درآمد کریں۔
matplotlib.pyplot درآمد کریں۔ کے طور پر plt
یہاں:
-
- ' ٹارچ درآمد کریں۔ ' PyTorch لائبریری درآمد کرتا ہے۔
- ' torch.utils.data درآمد ڈیٹا سیٹ سے PyTorch میں اپنی مرضی کے مطابق ڈیٹا سیٹس بنانے کے لیے PyTorch کے 'torch.utils.data' ماڈیول سے 'Dataset' کلاس درآمد کرتا ہے۔
- ' ٹارچ ویژن امپورٹ ڈیٹاسیٹس سے 'ٹارچ ویژن' لائبریری سے 'ڈیٹا سیٹس' ماڈیول درآمد کرتا ہے جو کمپیوٹر ویژن کے کاموں کے لیے پہلے سے طے شدہ ڈیٹا سیٹ فراہم کرتا ہے۔
- ' torchvision.transforms سے ToTensor درآمد کریں۔ PIL امیجز یا NumPy arrays کو PyTorch tensors میں تبدیل کرنے کے لیے 'torchvision.transforms' سے 'ToTensor' ٹرانسفارم درآمد کرتا ہے۔
- ' matplotlib.pyplot کو بطور plt درآمد کریں۔ ڈیٹا ویژولائزیشن کے لیے matplotlib لائبریری درآمد کرتا ہے:
مرحلہ 2: ڈیٹا سیٹ لوڈ کریں۔
اب، ہم مندرجہ ذیل پیرامیٹرز کے ساتھ ٹریننگ اور ٹیسٹنگ دونوں مقاصد کے لیے torchvision سے FashionMNIST ڈیٹاسیٹ لوڈ کریں گے۔
tr_data = ڈیٹا سیٹس۔FashionMNIST ( جڑ = 'ڈیٹا' , ٹرین =سچ، ڈاؤن لوڈ کریں =سچ، تبدیل = ٹو ٹینسر ( ))
ts_data = ڈیٹا سیٹس۔FashionMNIST ( جڑ = 'ڈیٹا' , ٹرین =جھوٹا، ڈاؤن لوڈ کریں =سچ، تبدیل = ٹو ٹینسر ( )
)
یہاں:
-
- ' فیشن ایم این آئی ایس ٹی torchvision لائبریری سے FashionMNIST ڈیٹاسیٹ لوڈ کرتا ہے۔
- ' جڑ = 'ڈیٹا' ڈائرکٹری کی وضاحت کرتا ہے جہاں ڈیٹاسیٹ کو ذخیرہ کیا جائے گا یا لوڈ کیا جائے گا اگر یہ پہلے سے موجود ہے۔ ہمارے معاملے میں، یہ 'ڈیٹا' ڈائریکٹری ہے۔
- ' ٹرین ' تربیت یا ٹیسٹ ڈیٹاسیٹ کی طرف اشارہ کرتا ہے۔
- ' ڈاؤن لوڈ = سچ اگر ڈیٹاسیٹ پہلے سے موجود نہیں ہے تو اسے ڈاؤن لوڈ کرتا ہے۔
- ' transform=ToTensor() ڈیٹا سیٹ میں موجود تصاویر کو PyTorch ٹینسر میں تبدیل کرنے کے لیے ToTensor ٹرانسفارم کا اطلاق ہوتا ہے:
مرحلہ 3: ڈیٹا سیٹ میں کلاسز کو لیبل کریں۔
اس کے بعد، ایک لغت بنائیں جو کلاس کے اشاریہ جات کو فیشن ایم این آئی ایس ٹی ڈیٹاسیٹ میں ان کے متعلقہ طبقے کے لیبلوں کے ساتھ نقشہ بناتی ہے۔ یہ ہر کلاس کے لیے انسانی پڑھنے کے قابل لیبل فراہم کرتا ہے۔ یہاں، ہم نے ' میپڈ_لیبل لغت اور ہم اسے کلاس انڈیکس کو ان کے متعلقہ کلاس لیبل میں تبدیل کرنے کے لیے استعمال کریں گے:
میپڈ_لیبل = {0 : 'ٹی شرٹ' ,
1 : 'پتلون' ,
2 : 'پلور' ,
3 : 'لباس' ,
4 : 'کوٹ' ,
5 : 'صندل' ,
6 : 'قمیض' ,
7 : 'جوتے' ,
8 : 'بیگ' ,
9 : 'ٹخنوں کے جوتے' ,
}
مرحلہ 4: ڈیٹا سیٹ کا تصور کریں۔
آخر میں، 'matplotlib' لائبریری کا استعمال کرتے ہوئے تربیتی ڈیٹا میں نمونوں کا تصور کریں:
fig = plt.figure ( figsize = ( 8 , 8 ) )کرنل قطار = 3 , 3
کے لیے میں میں رینج ( 1 , کرنل * قطار + 1 ) :
نمونہ_انڈیکس = torch.randint ( صرف ( tr_تاریخ ) , سائز = ( 1 , ) ) .item ( )
img، لیبل = tr_data [ نمونہ_انڈیکس ]
fig.add_subplot ( قطار، کرنل ، میں )
plt.title ( میپڈ_لیبل [ لیبل ] )
plt.axis ( 'بند' )
plt.imshow ( img.squeeze ( ) , cmap = 'سرمئی' )
plt.show ( )
نوٹ : آپ اس پر ہماری گوگل کولاب نوٹ بک تک رسائی حاصل کر سکتے ہیں۔ لنک .
یہ سب PyTorch کا استعمال کرتے ہوئے مطلوبہ ڈیٹاسیٹ کو دہرانے اور دیکھنے کے بارے میں تھا۔
نتیجہ
PyTorch کا استعمال کرتے ہوئے کسی خاص ڈیٹاسیٹ کو اعادہ اور تصور کرنے کے لیے، پہلے ضروری لائبریریوں کو درآمد کریں۔ پھر، مطلوبہ پیرامیٹرز کے ساتھ تربیت اور جانچ کے لیے مطلوبہ ڈیٹاسیٹ لوڈ کریں۔ اس کے بعد، ڈیٹاسیٹ میں کلاسوں کو لیبل کریں اور 'matplotlib' لائبریری کا استعمال کرتے ہوئے تربیتی ڈیٹا میں نمونوں کا تصور کریں۔ اس تحریر نے PyTorch کا استعمال کرتے ہوئے ایک مخصوص ڈیٹاسیٹ کو اعادہ اور تصور کرنے کے طریقہ کار کی وضاحت کی ہے۔