pytorch中的数据导入之DataLoader和Dataset的使用介绍

在使用Pytorch构建和训练模型的过程中，经常需要把原始数据（图片、文本等）转换为张量的格式。对于小数据集，我们可以手动导入，但是在深度学习中，数据集往往是比较大的，这时pytorch的数据导入功能便发挥了作用，Pytorch导入数据主要依靠 torch.utils.data.DataLoader和 torch.utils.data.Dataset这两个类来完成。

1. torch.utils.data.Dataset：这是一个抽象类，所以我们需要对其进行派生，从而使用其派生类来创建数据集。最主要的两个函数实现为__Len__和__getitem__。

• __init__：可以在这里设置加载的data和label。
• __Len__：获取数据集大小
• __getitem__：根据索引获取一条训练的数据和标签。

2. torch.utils.data.DataLoader：接收torch.utils.data.Dataset作为输入，得到DataLoader，它是一个迭代器，方便我们去多线程地读取数据，并且可以实现batch以及shuffle的读取等。

pytorch 的数据加载到模型的操作顺序如下：

(看完本文章，再回过头看这部分会更清晰)：

1. 创建一个 Dataset 对象
2. 创建一个 DataLoader 对象
3. 循环这个 DataLoader 对象，将img, label加载到模型中进行训练

dataset = MyDataset()
dataloader = DataLoader(dataset)
num_epoches = 100
for epoch in range(num_epoches):
    for img, label in dataloader:
        ....

1. 构建数据集-torch.utils.data.Dataset

torch.utils.data.Dataset可通过两种方式生成，一种是通过内置的下载功能，另一种便是自己实现。下载功能需要借助一些其他的包，比如torchvision，下载CIFAR10数据格式大致如下：

import torch
import torchvision

cf10_data = torchvision.datasets.CIFAR10('dataset/cifar/', download=True)

下面我们主要介绍怎么创建一个属于自己的数据集。

任何自定义的数据集都要继承自torch.utils.data.Dataset，然后重写两个函数：__len__(self)和__getitem__(self, idx)。

下面是一个简单的自定义小型数据集，以期能够理解它的创建方式。注意下面的示例中并没有通过__init__传入data和label，而是在内部创建的。

import torch
from torch.utils.data import Dataset

class myDataset(Dataset):
    def __init__(self):
        #创建5*2的数据集
        self.data = torch.tensor([[1,2],[3,4],[2,1],[3,4],[4,5]])  
        #5个数据的标签
        self.label = torch.tensor([0,1,0,1,2])
    
    #根据索引获取data和label
    def __getitem__(self,index):
        return self.data[index], self.label[index] #以元组的形式返回

    #获取数据集的大小
    def __len__(self):
        return len(self.data)

data = myDataset()
print(f'data size is : {len(data)}')

print(data[1]) #获取索引为1的data和label

输出：

data size is : 5
(tensor([3, 4]), tensor(1))

2. 数据载入-torch.utils.data.DataLoader

torch.utils.data.Dataset通过__getitem__获取单个数据，如果希望获取批量数据、shuffle或者其它的一些操作，那么就要由torch.utils.data.DataLoader来实现了，它的实现形式如下：

data.DataLoader(
    dataset,
    batch_size = 50,
    shuffle = False,
    sampler=None,
    batch_sampler = None,
    num_workers = 0,
    collate_fn = 
    pin_memory = False,
    drop_last = False,
    timeout = 0,
    worker_init_fn = None,
)

• dataset：待传入的数据集，也就是上面自己实现的myData。
• batch_size：每个batch有多少个样本
• shuffle：代表数据会不会被随机打乱，在每个epoch开始的时候，对数据进行重新排序。
• sampler：自定义从数据集中取样本的策略，如果指定这个参数，那么shuffle必须为False
• batch_sampler：类似于sampler，不过返回的是一个迷你批次的数据索引。
• num_workers：是数据载入器使用的进程数目，默认为0。
• collate_fn：用于自定义sample 如何形成 batch sample 的函数。因为getitem只是得到一条数据，collate_fun组成一个batch数据
• pin_memory：如果设置为True，那么data loader将会在返回它们之前，将tensors拷贝到CUDA中的固定内存（CUDA pinned memory）中。
• drop_last：如果设置为true，那么最后的batch的大小如果小于batch_size，那么则会丢弃。
• timeout：如果是正数，表明等待从worker进程中收集一个batch等待的时间，若超出设定的时间还没有收集到，那就不收集这个内容了。这个numeric应总是大于等于0。默认为0。
• worker_init_fn：它决定了每个数据载入的子进程开始时运行的函数

按照上面的Dataset，使用DataLoader加载数据示例如下，因为设置了drop_last = True，所以最后一个batch会被丢弃。

from torch.utils.data import DataLoader
data = myDataset()

my_loader = DataLoader(data,batch_size=2,shuffle=False,num_workers = 0,drop_last=True)
for step,train_data in enumerate(my_loader):
    Data,Label = train_data
    print("step:",step)
    print("data:",Data)
    print("Label:",Label)

输出：

step: 0
data: tensor([[1, 2],
        [3, 4]])
Label: tensor([0, 1])
step: 1
data: tensor([[2, 1],
        [3, 4]])
Label: tensor([0, 1])

3. 把数据放入GPU中

在Dataset和DataLoader的地方都可以实现把数据放入GPU，下面分别进行介绍。

• Dataset阶段把数据放入GPU

如果在此阶段把数据放入GPU，则此阶段必须把num_workers设置为0，要不然会报错。此阶段的操作需要在__getitem__中实现，实现过程大致如下。

    def __getitem__(self, index):
        data = torch.Tensor(self.Data[index])
        label = torch.IntTensor(self.Label[index])
        if torch.cuda.is_available():
            data = data.cuda()
            label = label.cuda()
        return data, label

• DataLoader阶段把数据放入GPU

这种实现方式就没有特别需要注意的地方，直接把tensor放入GPU即可，所以推荐使用这种实现方式，如下所示。

data = myDataset()

my_loader = DataLoader(data,2,shuffle=False,num_workers = 0,drop_last=True)
for step,train_data in enumerate(my_loader):
    Data,Label = train_data
    #把数据放在GPU中
    if torch.cuda.is_available():
        data = data.cuda()
        label = label.cuda()
    print("step:",step)
    print("data:",Data)
    print("Label:",Label)