Comment créer des données à mettre dans CNN (Chainer)

J'ai essayé de créer mon propre modèle en apprenant dans le hackathon, mais il a fallu du temps pour savoir comment créer les données à mettre dans CNN, alors mémo

from PIL import Image
import numpy as np
import glob
import random

def load_image():
    filepaths = glob.glob('data/*.png')

    datasets = []
    for filepath in filepaths:
        img = Image.open(filepath).convert('L')  #Charge avec oreiller.'L'Signifie une échelle de gris
        img = img.resize((32, 32)) #Redimensionné à 32x32x
        label = int(filepath.split('/')[-1].split('_')[0]) #étiquette(Entier supérieur ou égal à 0) (Dans mon cas, je mets souvent un nom d'étiquette au début du nom de fichier.)

        x = np.array(img, dtype=np.float32)
        x = x.reshape(1,32,32) # (Canal, hauteur, largeur)
        t = np.array(label, dtype=np.int32) 

        datasets.append((x,t)) #Appuyez sur x et t pour lister

    random.shuffle(datasets) #mélanger
    train = datasets[:1000] #Les mille premiers pour apprendre
    test = datasets[1000:1100] #Pour les tests du 1000 au 1100
    return train, test


def main(): #Ci-dessous, reportez-vous au cifer10 de l'exemple de chainer

    class_labels = 10
    train, test = load_image()
    
    model = L.Classifier(models.VGG.VGG(class_labels))
    if args.gpu >= 0:
        # Make a specified GPU current
        chainer.cuda.get_device_from_id(args.gpu).use()
        model.to_gpu()  # Copy the model to the GPU

    optimizer = chainer.optimizers.MomentumSGD(args.learnrate)
    optimizer.setup(model)
    optimizer.add_hook(chainer.optimizer.WeightDecay(5e-4))

    train_iter = chainer.iterators.SerialIterator(train, args.batchsize)
    test_iter = chainer.iterators.SerialIterator(test, args.batchsize,
                                                 repeat=False, shuffle=False)
    # Set up a trainer
    updater = training.StandardUpdater(train_iter, optimizer, device=args.gpu)
    trainer = training.Trainer(updater, (args.epoch, 'epoch'), out=args.out)

    # Evaluate the model with the test dataset for each epoch
    trainer.extend(TestModeEvaluator(test_iter, model, device=args.gpu))

    # Reduce the learning rate by half every 25 epochs.
    trainer.extend(extensions.ExponentialShift('lr', 0.5),
                   trigger=(25, 'epoch'))

    # Dump a computational graph from 'loss' variable at the first iteration
    # The "main" refers to the target link of the "main" optimizer.
    trainer.extend(extensions.dump_graph('main/loss'))

    # Take a snapshot at each epoch
    trainer.extend(extensions.snapshot(), trigger=(args.epoch, 'epoch'))

    # Write a log of evaluation statistics for each epoch
    trainer.extend(extensions.LogReport())

    # Print selected entries of the log to stdout
    # Here "main" refers to the target link of the "main" optimizer again, and
    # "validation" refers to the default name of the Evaluator extension.
    # Entries other than 'epoch' are reported by the Classifier link, called by
    # either the updater or the evaluator.
    trainer.extend(extensions.PrintReport(
        ['epoch', 'main/loss', 'validation/main/loss',
         'main/accuracy', 'validation/main/accuracy', 'elapsed_time']))

    # Print a progress bar to stdout
    trainer.extend(extensions.ProgressBar())

    if args.resume:
        # Resume from a snapshot
        chainer.serializers.load_npz(args.resume, trainer)

    # Run the training
    trainer.run()