pytorch学习------数据集的使用方式

一、前言

在深度学习中，数据量通常是都非常多，非常大的，如此大量的数据，不可能一次性的在模型中进行向前的计算和反向传播，经常我们会对整个数据进行随机的打乱顺序，把数据处理成一个个的batch，同时还会对数据进行预处理。

所以，接下来我们来学习pytorch中的数据加载的方法。

二、数据集类

2.1、Dataset基类

在torch中提供了数据集的基类torch.utils.data.Dataset，继承这个基类，我们能够非常快速的实现对数据的加载。
torch.utils.data.Dataset的源码如下：

class Dataset(object):
    """An abstract class representing a Dataset.

    All other datasets should subclass it. All subclasses should override
    ``__len__``, that provides the size of the dataset, and ``__getitem__``,
    supporting integer indexing in range from 0 to len(self) exclusive.
    """

    def __getitem__(self, index):
        raise NotImplementedError

    def __len__(self):
        raise NotImplementedError

    def __add__(self, other):
        return ConcatDataset([self, other])

我们需要在自定义的数据集类中继承Dataset类，同时还需要实现两个方法：

1. __len__方法，能够实现通过全局的len()方法获取其中的元素个数
2. __getitem__方法，能够通过传入索引的方式获取数据，例如通过dataset[i]获取其中的第i条数据
3. __add__方法不用实现，它是将多条数据合并

2.2、例子

下面通过一个例子来看看如何使用Dataset来加载数据

数据来源：http://archive.ics.uci.edu/ml/datasets/SMS+Spam+Collection

数据介绍：SMS Spam Collection是用于骚扰短信识别的经典数据集，完全来自真实短信内容，包括4831条正常短信和747条骚扰短信。正常短信和骚扰短信保存在一个文本文件中。 每行完整记录一条短信内容，每行开头通过ham和spam标识正常短信和骚扰短信

数据实例：

代码如下：

from torch.utils.data import Dataset

data_path = r"D:\djangoProject\practice\SMSSpamCollection"

#定义数据集类
class MyDataset(Dataset):   #继承Dataset类
    def __init__(self):
        self.lines = open(data_path,encoding='utf-8').readlines()
    def __getitem__(self, index):
        #获取索引对应位置的一条数据
        #将标签和文本分开
        cur_line = self.lines[index].strip()
        label = cur_line[:4].strip()    #strip()为了去点换行符
        content = cur_line[4:].strip()

        return  label,content   #返回元组的形式

    def __len__(self):
        #返回数据总量
        return len(self.lines)


if __name__ == '__main__':
    my_data = MyDataset()
    print((my_data[0]))
    print(len(my_data))

效果如下：

三、数据加载器

使用上述的方法能够进行数据的读取，但是其中还有很多内容没有实现：

• 批处理数据（Batching the data）
• 打乱数据（Shuffling the data）
• 使用多线程 multiprocessing 并行加载数据。

在pytorch中torch.utils.data.DataLoader提供了上述的所用方法

DataLoader的使用方法示例：
我们将上述代码进行修改

from torch.utils.data import Dataset,DataLoader

data_path = r"D:\djangoProject\practice\SMSSpamCollection"

#定义数据集类
class MyDataset(Dataset):   #继承Dataset类
    def __init__(self):
        self.lines = open(data_path,encoding='utf-8').readlines()
    def __getitem__(self, index):
        #获取索引对应位置的一条数据
        #将标签和文本分开
        cur_line = self.lines[index].strip()
        label = cur_line[:4].strip()    #strip()为了去点换行符
        content = cur_line[4:].strip()

        return  label,content   #返回元组的形式

    def __len__(self):
        #返回数据总量
        return len(self.lines)

my_data = MyDataset()
data_load = DataLoader(dataset=my_data,batch_size=2,shuffle=True,num_workers=2)   #使用数据加载器

if __name__ == '__main__':
    #两次的数据都不一样   是因为shuffle的原因，打乱了数据的顺序
    for i in data_load:
        print(i)
        break

    for i in data_load:
        print(i)
        break

其中参数含义：

1. dataset：提前定义的dataset的实例
2. batch_size:传入数据的batch的大小，常用128,256等等
3. shuffle：bool类型，表示是否在每次获取数据的时候提前打乱数据
4. num_workers:加载数据的线程数

效果如下：

两次索引一样，单打印的数据是不一样的，因为使用shuffle打乱了数据，且每个元组的大小为2，是batch_size为2的原因