pytorch之数据集构造

这些天看的东西，真的是比较多，相比以前来说，对我的学习方式起到颠覆性作用。我目前觉得，我们学到的东西，更多是孤立的，因此，在吸收一定知识后，需要在脑子里形成知识体系。需要把自己以前学到的东西进行整理，形成一个体系，这篇文章讲解的是，深度学习中pytorch数据集的构造！！！

pytorch中有两个自定义管理数据集的类，

1. torch.utils.data.DataSet
2. torvchvision.datasets.ImageFolder

这里主要讲解的第一种。

DataSet源码

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])

我们设计自己数据集类的时候， 只需要重写 __getitem__、__len__两个函数，分别的功能是， 通过切片返回具样例、返回样本个数。
以下是voc2012数据集分割的例子：

import os

import numpy as np
from PIL import Image
from torch.utils import data


def read_images(root, train):
    txt_fname = os.path.join(root, 'ImageSets/Segmentation/') + ('train.txt' if train else 'val.txt')
    with open(txt_fname, 'r') as f:
        images = f.read().split()
    data = [os.path.join(root, 'JPEGImages', i + '.jpg') for i in images]
    label = [os.path.join(root, 'SegmentationClass', i + '.png') for i in images]
    return data, label


class VocSegDataset(data.Dataset):

    def __init__(self, cfg, train, transforms=None):
        self.cfg = cfg
        self.train = train
        self.transforms = transforms
        self.data_list, self.label_list = read_images(self.cfg.DATASETS.ROOT, train)

    def __getitem__(self, item):
        img = self.data_list[item]
        label = self.label_list[item]
        img = Image.open(img)
        # load label
        label = Image.open(label)
        img, label = self.transforms(img, label)
        return img, label

    def __len__(self):
        return len(self.data_list)

通过上面的操作，我们构建自己数据集类，接下来，构建一个 Dataloader类，这个作用是训练过程中，返回 batch个样例。

Dataloder源码

由于源码过于臃肿了，这里知识摘出对应的构造函数：

    def __init__(self, dataset, batch_size=1, shuffle=False, sampler=None,
                 batch_sampler=None, num_workers=0, collate_fn=default_collate,
                 pin_memory=False, drop_last=False, timeout=0,
                 worker_init_fn=None):

构造函数中，每个参数的意思就不一一介绍了，只着重的讲解下，可调用函数collate_fn。我们首先看一个构建Dataloader的实例：

def build_dataset(cfg, transforms, is_train=True):
    datasets = VocSegDataset(cfg, is_train, transforms)
    return datasets


def make_data_loader(cfg, is_train=True):
    if is_train:
        batch_size = cfg.SOLVER.IMS_PER_BATCH
        shuffle = True
    else:
        batch_size = cfg.TEST.IMS_PER_BATCH
        shuffle = False

    transforms = build_transforms(cfg, is_train)
    datasets = build_dataset(cfg, transforms, is_train)

    num_workers = cfg.DATALOADER.NUM_WORKERS
    data_loader = data.DataLoader(
        datasets, batch_size=batch_size, shuffle=shuffle, num_workers=num_workers, pin_memory=True
    )

    return data_loader

上面第一个函数 build_dataset返回数据集实例，第二个函数返回Dataloader,关于Dataloader，我们需要注意的是，有时我们需要根据Dataset中的__getitem__修改collate_fn。
我们来看下源码：

    def __next__(self):
        if self.num_workers == 0:  # same-process loading
            indices = next(self.sample_iter)  # may raise StopIteration
            batch = self.collate_fn([self.dataset[i] for i in indices])
            if self.pin_memory:
                batch = _utils.pin_memory.pin_memory_batch(batch)
            return batch

我们在源码中发现，collate_fn的输入是一个list，里面的每个元素是__getitem__的输出，由此，我们估计，default_collate的作用是将这个list，**变换格式为[batch,C,H,W]**的tensor，我们在来看下源码：

	if.......
	.........
    elif isinstance(batch[0], tuple) and hasattr(batch[0], '_fields'):  # namedtuple
        return type(batch[0])(*(default_collate(samples) for samples in zip(*batch)))

由于源码均是对类型的判断，因此，这里我们知识摘出，与voc2012分割相关的部分，这个语句的意思是， 对[(img1, label1), (img2, label2)]，首先返回[img1,img2],[lable1,label2]，在继续返回两个tensor，一个是img，[batch,C,H,W]，一个是label：[batch,C,H,W]。
所以，通过上面分析，如果，我们__getitem__不符合collat_fn不符合默认函数的判断时，需要修改该函数。
好了，先到这，接下来…慢慢聊程序，需要学的太多了