【Pytorch】简析数据批量化处理类Dataset和DataLoader

在深度学习中，在将原始数据进行清理、规范化和编码后，就需要将数据进行序列化和批量化，而Pytorch提供这两项功能的类分别为Dataset和DataLoader。

1. Dataset类

Dataset类是将数据进行序列化封装的类，我们在为每个具体问题定制合适的Dataset子类时，仅需要继承该父类，同时覆写__init__、__getitem__和__len__三个魔鬼方法即可：

• __init__：类的初始化，在用来用于设置文件路径、导入文件和定义必要的变量。
• __getitem__：提供一个切片的方法，可以根据输入的index，获取对应的一个数据。
• __len__：用于统计数据样本的总量。

2. DataLoader类

在用Dataset类对数据封装完后进行训练和测试时，还需要对数据进行批量化处理，以供每个min-batch的数据。该类一般无需改写，直接加载对应的Dataset类，并设置相应的参数即可生成一个包含min-batch数据的可迭代对象。

MyDataLoader = DataLoader(dataset=MyDataset, batch_size=512, shuffle=True, num_workers=4)

如上面的例子，DataLoader的四个主要参数定义了数据批量化的主要属性，具体包括：

• dataset: Dataset子类，即序列化好的数据。
• batch_size: min-batch的尺寸。
• shuffle: 在每个epoch取样前，是否先打乱数据顺序。
• num_workers：所用的子进程数，默认为0，即仅用主进程。

除此之外，还有两个参数可能会用到：

• sampler: Sample子类，定义了数据进行采样的方式。之前的shuffle=True其实也提供了一种采样方法，所以当设置sampler参数时，必须设置shuffle=False
• collate_fn: 用于对Dataset中采样得到的每个mini-batch数据进行后处理，从而提供更好的模型输入数据，其取值为一个外部定义的可调用函数。也就是说，设置该值后，真正迭代输出的值是经过该函数处理后的返回值。该函数的具体使用可参照博文

3. 简单示例

import torch
from torch.utils.data import Dataset, DataLoader

A = torch.randn(128, 3)
C = torch.randn(128, 1)

# 1. 用Dataset封装数据集，仅做示范，实际可直接用TensorDataset封装
class MyDataset(Dataset):
    def __init__(self, x, y):
        assert x.size(0)==y.size(0)
        self.x, self.y = x, y
        
    def __getitem__(self, idx):
        return (self.x[idx], self.y[idx])
    
    def __len__(self):
        return self.x.size(0)

# 2. 用DataLoader定义数据批量迭代器
MyDataLoader = DataLoader(dataset=dataset, shuffle=True, batch_size=4)   

for data_iter in MyDataLoader:
	# 进行训练或预测