Pytorch中的torch.utils.data模块

torch.utils.data 是 Pytorch 中用于加载和预处理数据的模块。它提供了用于创建数据集和数据加载器的类，以便更轻松地处理大型数据集并在训练过程中使用它们。

以下是该模块中的一些重要类：

• Dataset：抽象类，代表了一个数据集。为了使用该类，需要创建一个自定义类并实现 len 和 getitem 方法来返回数据集的大小和给定索引处的数据。
• TensorDataset：Dataset 类的子类，用于在 Pytorch 张量上创建数据集。
• DataLoader：用于批量加载数据的迭代器。它从给定的 Dataset中加载数据并提供一些方便的功能，例如打乱数据、并行加载和自动批量大小调整等。
• Subset：Dataset 类的子类，表示一个数据集的子集。它可以用来对数据进行分割，例如将数据集分成训练集和测试集。
• random_split：用于将数据集分割成两个子集的函数。可以指定分割的大小或将其分成相等大小的两个子集。

此外，torch.utils.data 还提供了一些转换函数，例如 Transforms 和 CollateFn，用于在加载数据时对数据进行转换和聚合。

使用 torch.utils.data 模块可以方便地处理大型数据集，并可以与 Pytorch 中的模型训练和推理过程无缝集成。

数据集的创建和导入

1.Dataset()的使用方法

torch.utils.data.Dataset 是一个抽象类，代表了一个数据集，它提供了以下两个方法：

• __len__(self)：返回数据集的大小。
• __getitem__(self, idx)：返回给定索引处的数据。

为了使用 Dataset 类，需要创建一个自定义类并实现上述两个方法。这个自定义类通常会使用构造函数来读取数据并存储在内存中，以便在调用 __getitem__ 方法时可以快速返回对应索引处的数据。

下面是一个使用 Dataset 类加载图像数据集的示例：

import torch
from torch.utils.data import Dataset

class ImageDataset(Dataset):
    def __init__(self, file_paths, transform=None):
        self.file_paths = file_paths
        self.transform = transform
    
    def __len__(self):
        return len(self.file_paths)
    
    def __getitem__(self, idx):
        # 读取图像文件并将其转换为张量
        img = Image.open(self.file_paths[idx]).convert('RGB')
        img = transforms.ToTensor()(img)
        
        # 可选：应用数据转换
        if self.transform:
            img = self.transform(img)
        
        return img

在上述示例中，我们创建了一个名为 ImageDataset 的自定义类，该类用于加载图像数据集。该类的构造函数接受一个文件路径列表和一个可选的数据转换函数。在 __getitem__ 方法中，我们读取给定索引处的图像文件并将其转换为张量。如果指定了数据转换函数，则应用该函数来进一步处理数据。在 __len__ 方法中，我们返回数据集的大小。

2.TensorDataset()的使用方法

TensorDataset 是 Dataset 类的一个子类，用于在 Pytorch 张量上创建数据集。它可以方便地将多个张量打包为一个数据集，并在模型训练期间使用。

下面是一个使用 TensorDataset 类创建数据集的示例：

import torch
from torch.utils.data import TensorDataset

# 创建 PyTorch 张量
x = torch.randn(100, 3, 32, 32)
y = torch.randint(0, 10, (100,))

# 将张量打包为数据集
dataset = TensorDataset(x, y)

在上述示例中，我们首先创建了两个张量 x 和 y，分别表示输入和标签。然后，我们使用 TensorDataset 类将这两个张量打包为一个数据集对象。现在，我们可以使用 DataLoader 类将数据集对象转换为一个可迭代对象，并在模型训练期间使用它。

3.Dataloader()的使用方法

torch.utils.data.DataLoader 是一个 Pytorch 中用于批量加载数据的工具类。它可以将自定义数据集（如 torch.utils.data.Dataset 或 torch.utils.data.TensorDataset）转换为一个可迭代对象，并支持多线程和批量加载等功能。

torch.utils.data.DataLoader 类的构造函数有许多可用参数，以下是一些主要的参数：

• dataset：必需参数，指定要加载的数据集。
• batch_size：每个批次包含的样本数，默认为 1。
• shuffle：是否对数据进行随机化处理，默认为 False。
• sampler：指定从数据集中采样样本的策略，若指定此参数，则 shuffle 参数无效。
• batch_sampler：指定从数据集中采样批次的策略，若指定此参数，则 batch_size 和 shuffle 参数无效。
• num_workers：用于数据加载的子进程数，默认为 0（单线程）。对于Window系统这个参数只能是0。
• collate_fn：用于对样本进行自定义处理的函数，例如对不同长度的样本进行填充等。一般不使用这个参数。
• pin_memory：是否将数据加载到固定内存中，默认为 False。设置为True可以提高数据加载速度，但是也会占用更多的内存，并且只对于GPU计算有用。建议在使用GPU进行计算时都将该参数设置为True。
• drop_last：如果数据集大小不能被批次大小整除，是否将最后一个小于批次大小的批次丢弃，默认为 False。
• timeout：数据加载超时时间，默认为 0，表示无限等待。

下面是一个使用 DataLoader 类加载数据集的示例：

from torch.utils.data import DataLoader

# 创建自定义数据集
dataset = MyDataset(...)

# 创建 DataLoader 对象
dataloader = DataLoader(dataset, batch_size=32, shuffle=True, num_workers=4)

在上述示例中，我们首先创建了一个自定义数据集 MyDataset，然后使用 DataLoader 类将其转换为一个可迭代对象 dataloader。我们指定了批量大小为 32，将 shuffle 标志设置为 True，以在每个训练周期中对数据进行随机化处理。我们还将 num_workers 参数设置为 4，以使用 4 个工作线程来并行加载数据。