20250215 Commits: The Training step can use Dataloader to run, and modification Image Generator uses Pytorch struct

Image_Process/Image_Generator.py

@@ -3,6 +3,7 @@ from _validation.ValidationTheEnterData import validation_the_enter_data
 from Load_process.file_processing import Process_File
 from Load_process.LoadData import Load_Data_Prepare
 from torchvision import transforms
+from Training_Tools.Tools import Tool
 
 class Image_generator():
     '''製作資料強化'''
@@ -70,42 +71,27 @@ class Image_generator():
                 strardand = 要使用哪種Image Augmentation
         '''
         File = Process_File()
+        image_processing = Read_image_and_Process_image()
+        tool = Tool()
+        Classes = []
+        Transform = self.Generator_Content(stardand)
 
         for label in self.Labels: # 分別對所有類別進行資料強化
-            image = self.load_data(label) # 取的資料
+            image = self.load_data(stardand) # 取的資料
             save_root = File.Make_Save_Root(label, save_roots) # 合併路徑
 
+            Classes = image_processing.make_label_list(len(image), "1")
+            Training_Dataset = tool.Convert_Data_To_DataSet_And_Put_To_Dataloader(image, Classes, 1)
+
+
             if File.JudgeRoot_MakeDir(save_root): # 判斷要存的資料夾存不存在，不存在則創立
                 print("The file is exist")
 
-            train_Generator = self.Generator_Content(stardand) # 取的要做怎樣的資料強化
+            for batch_idx, (images, labels) in enumerate(Training_Dataset):
-            stop_counter = 0
+                for i, img in enumerate(images):
-            for batches in train_Generator.flow(image, batch_size = 16): # 執行資料強化
+                    img = Transform(img)
-                ''' 
+                    img_pil = transforms.ToPILImage()(img)
-                    程式碼中的 batch_size 參數被設置為 12, 這表示每次從訓練資料集中產生 12 個影像資料，作為一個 batch。當程式碼迭代 train_Generator 物件時，每次從訓練資料集中取出一個 batch 的影像，並逐一處理其中的每個影像。
+                    File.Save_PIL_File("image_" + label + str(data_size) + ".png", save_root, img_pil) # 存檔
-
-                    在迭代過程中, counter 變數用於計算存儲的 Numpy 陣列檔案的數量，而 i 變數用於計算迭代的次數。當 i 的值是 417 的倍數時, if i % 417 == 0: 條件就會成立，進而執行 break 語句，退出外層迴圈。因此，最多只會從訓
-                    練資料集中產生 417 個 batch 的影像資料。如果資料集中的影像總數不能被 12 整除，最後一個 batch 的影像數量會少於 12。因此, 最終產生的 Numpy 陣列檔案數量可能小於 image 資料集的影像總數除以 12。
-
-                    總之，根據程式碼的設計，最多只會從訓練資料集中產生 417 個 batch 的影像資料，並將它們存儲為 Numpy 陣列檔案。在最後一個 batch 中的影像數量可能少於 12。
-
-                    * train_Generator: 是一個ImageDataGenerator物件, 它從訓練資料中產生影像資料，這些影像資料可以用於訓練神經網路模型。
-                    * flow(): 方法是ImageDataGenerator物件的一個方法, 它可以從資料集中產生一個batch的影像資料。image 是要傳遞給ImageDataGenerator的影像資料, batch_size 是一個batch中包含的影像數量。
-                    * for batch in train_Generator.flow(image, batch_size = 12): 語句會迭代ImageDataGenerator物件產生的影像batch, 這些影像batch會逐一傳遞給batch 變數。
-                    * for batches in batch: 語句會迭代batch中的每個影像資料, 這些影像資料會逐一傳遞給batches 變數。
-                    * self.save_dir("image_" + label + str(counter) + ".npy", batches): 語句會以Numpy陣列的形式將每個影像資料存儲為一個Numpy陣列檔案, 檔案名稱會包含影像標籤和計數器。
-                    * counter += 1: 語句會將計數器增加1, 以便標識存儲的Numpy陣列檔案。
-                    * i += 1: 語句會增加迭代器的值, 以便在每417個影像batch之後退出迴圈。
-                    * if i % 417 == 0: break 語句會檢查迭代器是否達到了417的倍數, 如果是, 就會退出外層的迴圈, 以便結束影像資料的存儲。
-                '''
-                for batch in batches: # 分別抓出每一張照片來儲存
-                    File.Save_CV2_File("image_" + label + str(data_size) + ".png", save_root, batch) # 存檔
-                    data_size += 1
-                    stop_counter += 1
-
-                if stop_counter >= self.stop: # 若做指定次數則停止
-                    break
-            print(str(label) + "有" + str(stop_counter) + "筆資料")
 
         return data_size
 
@@ -113,6 +99,7 @@ class Image_generator():
         '''Images is readed by myself'''
         image_processing = Read_image_and_Process_image()
         img = image_processing.Data_Augmentation_Image(self.get_data_roots[label])
+        
 
         self.stop = len(img) * 1.5
         return img

Model_Loss/Loss.py

@@ -15,5 +15,5 @@ class Entropy_Loss(nn.Module):
         # input shape has a question
         # print(f"Label result: {labels}, result: {outputs}")
         labels = labels.float()
-        loss = functional.binary_cross_entropy(outputs[0], labels)
+        loss = functional.binary_cross_entropy(outputs, labels)
         return loss

Training_Tools/Tools.py

@@ -2,17 +2,27 @@ import pandas as pd
 from torch.nn import functional
 import torch
 from torch.utils.data import Dataset, DataLoader, RandomSampler
+import torchvision.transforms as transforms
 
 class ListDataset(Dataset):
     def __init__(self, data_list, labels_list):
         self.data = data_list
         self.labels = labels_list
 
+    def Transform(self):
+        return transforms.Compose([
+            transforms.ToTensor()          # 將 PIL Image 或 numpy array 轉換為 tensor 並自動調整通道順序為 (C, H, W)
+        ])
+
     def __len__(self):
         return len(self.data)
 
     def __getitem__(self, idx):
         sample = self.data[idx]
+
+        Transform_Content = self.Transform()
+        sample = Transform_Content(sample)
+        
         label = self.labels[idx]
         return sample, label
     
@@ -100,7 +110,7 @@ class Tool:
     def Get_OneHot_Encording_Label(self):
         return self.__OneHot_Encording
     
-    def Convert_Data_To_DataSet(self, Datas : list, Labels : list, Batch_Size : int):
+    def Convert_Data_To_DataSet_And_Put_To_Dataloader(self, Datas : list, Labels : list, Batch_Size : int):
         seed = 42  # 設定任意整數作為種子
         # 產生隨機種子產生器
         generator = torch.Generator()

experiments/Model_All_Step.py

@@ -43,7 +43,7 @@ class All_Step:
 
 
             for inputs, labels in epoch_iterator:
-                # print(inputs.shape)
+                print(inputs.shape)
                 # 輸入的維度為3維 但模型要的是4維 所以要再多加一維
                 # inputs = np.expand_dims(inputs, axis = 0)
                 # print(inputs.shape)

experiments/experiment.py

@@ -82,8 +82,8 @@ class experiments():
         self.test, self.test_label = self.cut_image.test, self.cut_image.test_label
         self.validation, self.validation_label = self.cut_image.validation, self.cut_image.validation_label
 
-        Testing_Dataset = self.Topic_Tool.Convert_Data_To_DataSet(self.test, self.test_label, 1)
+        Testing_Dataset = self.Topic_Tool.Convert_Data_To_DataSet_And_Put_To_Dataloader(self.test, self.test_label, 1)
-        Validation_Dataset = self.Topic_Tool.Convert_Data_To_DataSet(self.validation, self.validation_label, self.train_batch_size)
+        Validation_Dataset = self.Topic_Tool.Convert_Data_To_DataSet_And_Put_To_Dataloader(self.validation, self.validation_label, self.train_batch_size)
 
         # self.Grad = Grad_CAM(self.Topic_Tool.Get_Data_Label(), self.test_label, self.experiment_name, self.convolution_name)
 

main.py

@@ -38,7 +38,7 @@ if __name__ == "__main__":
     Experiment_Name = "Xception Skin to train Normal stomach cancer"
     Generator_Batch_Size = 50
     Epoch = 10000
-    Train_Batch_Size = 128
+    Train_Batch_Size = 50
     Convolution_Name = "block14_sepconv2"
 
     Prepare = Load_Data_Prepare()
@@ -96,7 +96,13 @@ if __name__ == "__main__":
         # training_data = list(total_trains) # 轉換資料型態
 
         training_data, train_label = image_processing.image_data_processing(trains_Data_Image, training_label) # 將讀出來的檔做正規化。降label轉成numpy array 格式
-        Training_Dataset = tool.Convert_Data_To_DataSet(training_data, train_label, Train_Batch_Size)
+        Training_Dataset = tool.Convert_Data_To_DataSet_And_Put_To_Dataloader(training_data, train_label, Train_Batch_Size)
+
+        
+        for idx, data in enumerate(Training_Dataset):
+            datas = data[0]
+            print(f"Shape: {datas.shape}")
+
 
         # training_data = image_processing.normalization(training_data)
         # training_data = training_data.permute(0, 3, 1, 2)