Pytorch数据读取框架

训练一个模型需要有一个数据库，一个网络，一个优化函数。数据读取是训练的第一步，以下是pytorch数据输入框架。

1）实例化一个数据库

假设我们已经定义了一个FaceLandmarksDataset数据库，此数据库将在以下建立。

import FaceLandmarksDataset
face_dataset = FaceLandmarksDataset(csv_file='data/faces/face_landmarks.csv',
                                    root_dir='data/faces/',
                                    transform=transforms.Compose([ Rescale(256), RandomCrop(224), ToTensor()]) )

 

或者使用torchvision.datasets里封装的数据集（MNIST、Fashion-MNIST、KMNIST、EMNIST、COCO、LSUN、ImageFolder、DatasetFolder、Imagenet-12、CIFAR、STL10、SVHN、PhotoTour、SBU、Flickr、VOC、Cityscapes）

import torchvision.datasets
imagenet_data = torchvision.datasets.ImageFolder('path/to/imagenet_root/')

2)创建一个数据加载器

import torch.utils.data.DataLoader
imagenet_loader = torch.utils.data.DataLoader(imagenet_data,
                                          batch_size=4,  
                                          shuffle=True,
                                          num_workers=4)
#or

facelandmark_loader = torch.utils.data.DataLoader(face_dataset,
                                          batch_size=4,
                                          shuffle=True,
                                          num_workers=4) 

可见，数据加载器是通用的，只有数据库实例不一样，其它的都参数都一样，参数值可以根据任务需要自己调。

3）使用数据库

数据加载器可迭代的，我们可以使用数据库:

for item in facelandmark_loader:
     images,labels = item
     do_somethi

当然， 我们也可以直接对数据库实例face_dataset进行下标操作，但这样只能够每次获取一条数据。

sample = face_dataset[index]

 

转载于:https://www.cnblogs.com/houjun/p/10214017.html