pytorch之Datasets & DataLoaders

目录

一、下载数据集和对应标签

二、数据的迭代和可视化

三、自定义数据集类

四、 DataLoader

---

pytorch中提供两个处理数据的 torch.utils.data.DataLoader 和 torch.utils.data.Dataset

Dataset 中有数据集和相应的标签，可进行下载；DataLoader 用于访问数据

数据集有三大类  Image Datasets, Text Datasets, and Audio Datasets

一、下载数据集和对应标签

以TorchVision下面的Fashion-MNIST为例，该数据集有60000训练样本，10000测试样本，为28X28的灰度图，有10个标签。

import torch
from torch.utils.data import Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plt


training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)

下面详解这四个参数

• root 数据存储路径

• train 指定训练集和测试集

• download=True 如果 root 没找到，在线下载

• transform and target_transform  指定特征和标签转换

二、数据的迭代和可视化

可通过索引获得数据和标签，本文即img，label

此处用matplotlib可视化

labels_map = {
    0: "T-Shirt",
    1: "Trouser",
    2: "Pullover",
    3: "Dress",
    4: "Coat",
    5: "Sandal",
    6: "Shirt",
    7: "Sneaker",
    8: "Bag",
    9: "Ankle Boot",
}
figure = plt.figure(figsize=(8, 8))
cols, rows = 3, 3
for i in range(1, cols * rows + 1):
    sample_idx = torch.randint(len(training_data), size=(1,)).item()
    ###
    img, label = training_data[sample_idx]
    ###
    figure.add_subplot(rows, cols, i)
    plt.title(labels_map[label])
    plt.axis("off")
    plt.imshow(img.squeeze(), cmap="gray")
plt.show()

三、自定义数据集类

自定义数据集类必须实现三个函数：__init__、__len__和__getitem__。

FashionMNIST图像存储在目录img_dir中，它们的标签分别存储在CSV文件annotations_file中

import os
import pandas as pd
from torchvision.io import read_image

class CustomImageDataset(Dataset):
    def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
        '''
            初始化包含图像、注释文件和两者转换
        '''
        #此处用pandas读入csv文件，也可用其他的
        self.img_labels = pd.read_csv(annotations_file)
        self.img_dir = img_dir
        self.transform = transform
        self.target_transform = target_transform

    def __len__(self):
        '''
            返回：数据集中的样本数
        '''
        return len(self.img_labels)

    def __getitem__(self, idx):
        '''
            输入：索引
            返回：数据集和标签
        '''
        img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])#索引图像在磁盘上的位置
        image = read_image(img_path)#转换为tensor
        label = self.img_labels.iloc[idx, 1]#取出对应标签
        if self.transform:
            image = self.transform(image)
        if self.target_transform:
            label = self.target_transform(label)
        return image, label

四、 DataLoader

Dataset 一次取一个样本。我们通常希望用小的batch传输数据，在每次epoch打乱数据来防止过拟合，用 multiprocessing 加快检索。DataLoader 恰好能做到这些。

from torch.utils.data import DataLoader

train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)

 用DataLoader迭代

# Display image and label.
train_features, train_labels = next(iter(train_dataloader))
print(f"Feature batch shape: {train_features.size()}")
print(f"Labels batch shape: {train_labels.size()}")
img = train_features[0].squeeze()
label = train_labels[0]
plt.imshow(img, cmap="gray")
plt.show()
print(f"Label: {label}")