torch.utils.data中Dataset, DataLoader

torch.utils.data是PyTorch中用于数据加载和预处理的模块。其中包括Dataset和DataLoader两个类，它们通常结合使用来加载和处理数据。

Dataset

torch.utils.data.Dataset是一个抽象类，用于表示数据集。它需要用户自己实现两个方法：__len__和__getitem__。其中，__len__方法返回数据集的大小，__getitem__方法用于根据给定的索引返回一个数据样本。

以下是一个简单的示例，展示了如何定义一个数据集：

import torch.utils.data as data

class MyDataset(data.Dataset):
    def __init__(self, data_list):
        self.data_list = data_list

    def __len__(self):
        return len(self.data_list)

    def __getitem__(self, index):
        return self.data_list[index]

在这个示例中，MyDataset继承了torch.utils.data.Dataset类，并实现了__len__和__getitem__方法。__len__方法返回数据集的大小，这里使用了Python内置函数len。__getitem__方法根据给定的索引返回一个数据样本，这里返回的是数据列表中对应的元素。

DataLoader

torch.utils.data.DataLoader是用于加载数据的类，它可以自动对数据进行批量处理和随机化。以下是一个简单的示例：

import torch.utils.data as data

my_dataset = MyDataset([1, 2, 3, 4, 5])
my_dataloader = data.DataLoader(my_dataset, batch_size=2, shuffle=True)

for batch in my_dataloader:
    print(batch)

在这个示例中，我们首先创建了一个MyDataset实例my_dataset，它包含了一个整数列表。然后，我们使用DataLoader类创建了一个数据加载器my_dataloader，它将my_dataset作为输入，并将数据分成大小为2的批次，并对数据进行随机化。最后，我们使用一个循环来遍历my_dataloader，并打印出每个批次的数据。

总结一下，torch.utils.data.Dataset用于表示数据集，torch.utils.data.DataLoader用于加载数据，并对数据进行批量处理和随机化。下面是一个完整的示例，展示了如何使用这两个类来加载和处理数据：

import torch.utils.data as data

class MyDataset(data.Dataset):
    def __init__(self, data_list):
        self.data_list = data_list

    def __len__(self):
        return len(self.data_list)

    def __getitem__(self, index):
        return self.data_list[index]

my_dataset = MyDataset([1, 2, 3, 4, 5])
my_dataloader = data.DataLoader(my_dataset, batch_size=2, shuffle=True)

for batch in my_dataloader:
    print(batch)

除了上述介绍的基本用法，torch.utils.data模块还有许多其他的功能和选项。下面介绍一些常用的选项和功能。

num_workers

num_workers参数用于指定使用多少个进程来加载数据。默认值为0，表示使用主进程加载数据。如果设置为大于0的值，将使用多个进程来加载数据，可以提高数据加载的效率。

以下是一个示例：

my_dataloader = data.DataLoader(my_dataset, batch_size=2, shuffle=True, num_workers=4)

在这个示例中，num_workers被设置为4，表示将使用4个进程来加载数据。

pin_memory

pin_memory参数用于指定是否将数据加载到CUDA主机内存中的固定位置（pinned memory），以提高数据传输效率。默认值为False。

以下是一个示例：

my_dataloader = data.DataLoader(my_dataset, batch_size=2, shuffle=True, pin_memory=True)

在这个示例中，pin_memory被设置为True，表示将数据加载到CUDA主机内存中的固定位置。

collate_fn

collate_fn参数用于指定如何将样本组合成一个批次。默认情况下，DataLoader将每个样本作为一个单独的元素传递给模型，但在某些情况下，需要将样本组合成一个批次，以便一次性对整个批次进行处理。

以下是一个示例：

def my_collate_fn(batch):
    # 将样本组合成一个批次
    data = [item[0] for item in batch]
    target = [item[1] for item in batch]
    return [data, target]

my_dataloader = data.DataLoader(my_dataset, batch_size=2, shuffle=True, collate_fn=my_collate_fn)

在这个示例中，my_collate_fn是一个自定义的函数，用于将样本组合成一个批次。DataLoader将每个样本作为一个元素传递给my_collate_fn函数，函数将样本组合成一个批次，并返回一个包含数据和目标的列表。

Sampler

Sampler是一个用于指定数据集采样方式的类，它控制DataLoader如何从数据集中选取样本。PyTorch提供了多种Sampler类，例如RandomSampler和SequentialSampler，分别用于随机采样和顺序采样。

以下是一个示例：

from torch.utils.data.sampler import RandomSampler

my_sampler = RandomSampler(my_dataset)
my_dataloader = data.DataLoader(my_dataset, batch_size=2, shuffle=False, sampler=my_sampler)

在这个示例中，我们使用RandomSampler类来指定随机采样方式，然后将其传递给DataLoader的sampler参数。这将覆盖默认的shuffle参数，使数据集按照sampler指定的采样方式进行

自定义Dataset

除了使用torchvision.datasets中提供的数据集，我们还可以使用torch.utils.data.Dataset类来自定义自己的数据集。自定义数据集需要实现__len__和__getitem__方法。

__len__方法返回数据集中样本的数量，__getitem__方法根据给定的索引返回一个样本。样本可以是一个张量或者一个元组，其中第一个元素是数据，第二个元素是目标。

以下是一个示例：

class MyDataset(data.Dataset):
    def __init__(self, data_path):
        self.data = torch.load(data_path)
        
    def __len__(self):
        return len(self.data)
    
    def __getitem__(self, index):
        x = self.data[index][0]
        y = self.data[index][1]
        return x, y

在这个示例中，MyDataset类继承自torch.utils.data.Dataset类，实现了__len__和__getitem__方法。MyDataset类的构造函数接受一个数据路径作为参数，数据集被保存为一个由数据-目标对组成的列表。__len__方法返回数据集中样本的数量，__getitem__方法根据给定的索引返回一个数据-目标对。

自定义Sampler

除了使用torch.utils.data.sampler中提供的采样器，我们还可以使用Sampler类来自定义自己的采样器。自定义采样器需要实现__iter__和__len__方法。

__iter__方法返回一个迭代器，用于遍历数据集中的样本索引。__len__方法返回数据集中样本的数量。

以下是一个示例：

class MySampler(Sampler):
    def __init__(self, data_source):
        self.data_source = data_source
        
    def __iter__(self):
        return iter(range(len(self.data_source)))
    
    def __len__(self):
        return len(self.data_source)

在这个示例中，MySampler类继承自torch.utils.data.sampler.Sampler类，实现了__iter__和__len__方法。MySampler类的构造函数接受一个数据集作为参数，__iter__方法返回一个迭代器，用于遍历数据集中的样本索引，__len__方法返回数据集中样本的数量。

自定义Transform

除了使用torchvision.transforms中提供的变换，我们还可以使用transforms模块中的Compose类来自定义自己的变换。Compose类将多个变换组合在一起，并按照顺序应用它们。

以下是一个示例：

class MyTransform(object):
    def __call__(self, x):
        x = self.crop(x)
        x = self.to_tensor(x)
        return x
    
    def crop(self, x):
        # 实现裁剪变换
        return x
    
    def to_tensor(self, x):
        # 实现张量化变换
        return x

my_transform = transforms.Compose

my_transform = transforms.Compose([
    MyTransform()
])

# 创建数据集和数据加载器
my_dataset = MyDataset(data_path)
my_dataloader = DataLoader(my_dataset, batch_size=32, shuffle=True, num_workers=4)

# 遍历数据集
for batch in my_dataloader:
    # 在这里处理数据批次
    pass

在这个示例中，MyTransform类实现了一个自定义的变换，它将裁剪和张量化两个变换组合在一起。transforms.Compose将这个自定义变换组合成一个变换序列，并在数据集中的每个样本上应用这个序列。

最后，我们创建了一个数据集和数据加载器，并用它们来遍历数据集。在数据加载器返回的每个批次中，数据已经通过了我们自定义的变换序列。

总结

在这篇文章中，我们介绍了torch.utils.data模块中的Dataset和DataLoader类，并给出了详细的代码示例。我们还讨论了如何自定义数据集、采样器和变换，并给出了相应的代码示例。使用Dataset和DataLoader类，我们可以轻松地加载和处理大规模数据集，为模型训练提供了强大的支持。

本文由 mdnice 多平台发布