本文主要是介绍使用Spikingjelly框架对神经形态数据集预处理涉及的降采样问题，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
神经形态数据集处理 — spikingjelly alpha 文档
Spikingjelly框架提供常用神经形态数据集处理的方法。
文档中以DVS128Gesture为例，给出代码如下：
train_set = DVS128Gesture(root_dir, train=True, data_type='frame', frames_number=20, split_by='number')使用这段代码可以轻松地获取frame数据集并得到划分好的训练集。但对于其他数据集，想要按照上述代码获取划分好的数据集是行不通的，这是因为其他神经形态数据集的自定义函数没有提供 ' train ' 这个参数，以DVS-CIFAR10为例，见下方代码：
class CIFAR10DVS(sjds.NeuromorphicDatasetFolder):def __init__(self,root: str,data_type: str = 'event',frames_number: int = None,split_by: str = None,duration: int = None,custom_integrate_function: Callable = None,custom_integrated_frames_dir_name: str = None,transform: Optional[Callable] = None,target_transform: Optional[Callable] = None,) -> None:"""以N-Caltech101数据集为例，解决上述问题，可以通过下方代码实现：
TS=5 #时间步长
root_dir = 'E:/data/N_Caltech/source'
event_set = NCaltech101(root=root_dir, data_type='frame', frames_number=TS, split_by='number')
sjds.split_to_train_test_set(train_ratio = 0.9, origin_dataset = event_set, num_classes = 101, random_split = False)首先获取frame数据，再对获取的frame数据集进行训练集、测试集的划分。划分数据集的函数可以在sjds中找到，里面详细介绍了函数的用法及参数的含义。
针对神经形态数据集的处理，到此结束。
由于神经形态数据集内存占用过大，一般对数据集进行降采样，即缩小图片的原始尺寸，以减少内存的占用。torchvision提供了transforms的二十个方法，其中Resize方法可以对数据进行降维，可以用下面的代码表示：
# 定义 transform
transform = transforms.Compose([transforms.ToPILImage(), # 将 numpy 数组转换为 PIL 图像transforms.Resize(size=(42, 42)), # 降采样到指定尺寸# transforms.ToTensor(), # 将 PIL 图像或 NumPy ndarray 转换为 FloatTensor，并缩放像素的强度值到 [0., 1.]
])
# 解压 + 降采样
root_dir = 'E:data/N_Caltech/source'
event_set = NCaltech101(root=root_dir, data_type='frame', frames_number=TS, split_by='number', transform=transform)直接使用上述代码会报错，原因是神经形态数据的维度为四维[T C H W]，而ToPILImage()方法仅支持二维或者三维的数据。
对此，只能退一步考虑，对每一帧数据for循环操作，达到降维的目的（降维的核心在于改变H W 的大小）。得到代码如下：
# 解压
root_dir = 'E:/data/N_Caltech/source'
event_set = NCaltech101(root=root_dir, data_type='frame', frames_number=TS, split_by='number')
# 降采样 由于维度为 4 不能直接使用resize 需要对每一帧数据单独降采样
ds_set = []
for i in range(len(event_set)):# x形状为[T, C, H, W] ，y为标签值。x, y = event_set[i]xx = []T = len(x[:, 0, 0, 0])C = len(x[0, :, 0, 0])for j in range(T):for k in range(C):xx.append(cv2.resize(x[j, k, :, :], (42, 42)))xx = np.array(xx).reshape(T, C, 42, 42)ds_set.append((xx, y))
def splitdataset():return sjds.split_to_train_test_set(train_ratio = 0.9, origin_dataset = ds_set, num_classes = 101, random_split = False)最终得到ds_set传递给split方法，可以得到降维后划分出的训练集与测试集。
这篇关于使用Spikingjelly框架对神经形态数据集预处理涉及的降采样问题的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
