神经网络学习日记（五）——数据加载器（DataLoader）的调用

本文是笔者为了完成毕业设计而进行学习的一个个人学习日记
图片和链接均源自网络，侵删

在深度学习中，数据的量级通常是十分庞大的，一般情况下，我们无法将所有数据同时加载到内存中。因此，在训练模型之前，我们会对数据集进行分批——既是分训练集与测试集，也是分批载入。

为了实现上述功能，我们使用torch库中的Dataset类和DataLoader类来实现数据的加载和存储。同时，我们也需要一些其他的辅助方法来将数据读取，分批和储存，所有需要使用的库如下：

import os

import numpy as np
import pandas as pd
import torch
from sklearn.model_selection import train_test_split
from torch.utils.data import DataLoader
from torch.utils.data import Dataset

其中，os库以及numpy和pandas库主要用于数据的读取，处理和储存，在我的实例中，我会先将数据储存在DataFrame中方便读取和修改。而sklearn库在这里主要用于分训练集和测试集，其train_test_split方法可以方便将数据集分开。

下面我们先来定义我们用来储存数据的MyDataset类。

MyDataset类的定义

这是我们自行定义的类，它继承于torch库的Dataset类，在定义时需要注意：除了__init__方法外，还需要重写 __len__和__getitem__类，用于获取数据长度以及输入输出。我们来看一看MyDataset类的实现代码（我在这里顺便进行了数据的归一化和分类操作，也可以不进行）：

class MyDataset(Dataset):
    def __init__(self, path, iCols, oCols, normalize, coding='utf-8', is_train=True):
        """
        Dataset类，读取数据并归一化后分成训练集和测试集
        :param str path: 文件路径
        :param list[str] iCols: 输入列名
        :param list[str] oCols: 输出列名
        :param Any normalize: 归一化方法(StandardScale)
        :param str coding: 文件编码方式
        :param bool is_train: 用于分训练集和测试集
        """
        self.path = path
        self.iCols = iCols
        self.oCols = oCols
        self.normalize = normalize
		
        # 数据读取，由于我的数据存在不同文件中，故读取一个文件夹中的所有文件
        fileNames = os.listdir(self.path)
        dfs = [pd.read_csv(os.path.join(self.path, fileName), names=[iCols + oCols], encoding=coding) for fileName in fileNames]
        allDf = pd.concat(dfs, ignore_index=True)  # 将不同文件中的数据整合
        
        # 归一化
        allDf[:] = self.normalize.fit_transform(allDf[:])
        
        # 分类
        x, y = allDf[iCols], allDf[oCols]
        x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=22)
        
        # 将输入(data)和输出(labels)转化格式并储存
        self.data = torch.Tensor(np.array(x_train if is_train else x_test))
        self.labels = torch.Tensor(np.array(y_train if is_train else y_test))
        
    def __len__(self):
        return len(self.labels)

    def __getitem__(self, idx):
        """
        获取输入和输出
        :param int idx: 索引值
        :return: tuple[tensor[float], tensor[float]]
        """
        return self.data[idx], self.labels[idx]

我将数据进行了归一化，按照8:2的比例分成了训练集和测试集（random_state的作用类似随机种子，固定后每次随机都相同），并将输入和输出分到了data和labels两个Tensor变量中，方便__getitem__方法对他们进行调用。其他的，代码中注释都讲的比较清楚了，就不再赘述。

数据储存的容器有了，那么下面就要对数据进行加载。

myDataLoader方法的定义

数据加载器的调用其实非常简单，就一个函数DataLoader就可以解决了。之所以定义一个自己的方法，主要是为了装逼主要是为了把MyDataset的定义和DataLoader方法的调用放在一个函数里，方便后续调用。话不多说了，直接上代码。

def myDataLoader(path, batch_size, iCols, oCols, normalize, coding='utf-8'):
    """
    将Dataset数据和参数储存到DataLoader中，返回DataLoader和各项参数
    :param str path: 文件路径
    :param int batch_size: 批量归一数
    :param list[str] iCols: 输入列名
    :param list[str] oCols: 输出列名
    :param Any normalize: 归一化方法
    :param str coding: 文件编码方式
    :return: tuple[DataLoader, DataLoader, list[float], list[float], int]
    """
    # 实例化MyDataset
    train_dataset = MyDataset(path, iCols, oCols, normalize, coding, True)
    test_dataset = MyDataset(path, iCols, oCols, normalize, coding, False)

    # 创建DataLoader
    train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
    test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)

    return train_loader, test_loader

batch_size是批量归一数，可以理解为一次加载的数据数量，一般为2的次方（64，128等）。在定义完MyDataset类之后，直接用DataLoader将整个数据集加载到加载器中。shuffle可以通俗理解为将数据打乱，在训练时有一定程度上强化训练效果的作用，但是测试集中显然用不到。

以上就是全部数据加载器的使用了，非常简单，至于如何使用这个数据加载器，可以看我的另一篇博客：神经网络学习日记（二）——全连接神经网络及Pytorch代码实现

个人神经网络学习日记：
神经网络学习日记（一）——神经网络基本概念
神经网络学习日记（二）——全连接神经网络及Pytorch代码实现
神经网络学习日记（三）——CNN卷积神经网络
神经网络学习日记（四）——RNN、LSTM、BiLSTM、GRU
神经网络学习日记（五）——数据加载器（DataLoader）的调用

由于是第一次写博客，不知道是否有侵犯其他人文章版权的问题，如果有请务必联系我，谢谢！