【小白学PyTorch】3 浅谈Dataset和Dataloader

这个系列是重新整理的一个《小白学PyTorch系列》。文章来自微信公众号【机器学习炼丹术】，喜欢的话动动小手关注下公众号吧~

文章目录：

1 Dataset基类

PyTorch 读取其他的数据，主要是通过 Dataset 类，所以先简单了解一下 Dataset 类。在看很多PyTorch的代码的时候，也会经常看到dataset这个东西的存在。Dataset类作为所有的 datasets 的基类存在，所有的 datasets 都需要继承它。

先看一下源码：

这里有一个__getitem__函数，__getitem__函数接收一个index，然后返回图片数据和标签，这个index通常是指一个list的index，这个list的每个元素就包含了图片数据的路径和标签信息。之后会举例子来讲解这个逻辑。

其实说着了些都没用，因为在训练代码里是感觉不到这些操作的，只会看到通过DataLoader就可以获取一个batch的数据，这是触发去读取图片这些操作的是DataLoader里的__iter__(self)（后面再讲）。

2 构建Dataset子类

下面我们构建一下Dataset的子类，叫他MyDataset类：

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

class MyDataset(Dataset):
    def __init__(self):
        self.data = torch.tensor([[1,2,3],[2,3,4],[3,4,5],[4,5,6]])
        self.label = torch.LongTensor([1,1,0,0])

    def __getitem__(self,index):
        return self.data[index],self.label[index]

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

2.1 Init

• 初始化中，一般是把数据直接保存在这个类的属性中。像是self.data,self.label

2.2 getitem

• index是一个索引，这个索引的取值范围是要根据__len__这个返回值确定的，在上面的例子中，__len__的返回值是4，所以这个index会在0，1，2，3这个范围内。

3 dataloader

从上文中，我们知道了MyDataset这个类中的__getitem__的返回值，应该是某一个样本的数据和标签（如果是测试集的dataset，那么就只返回数据），在梯度下降的过程中，一般是需要将多个数据组成batch，这个需要我们自己来组合吗？不需要的，所以PyTorch中存在DataLoader这个迭代器（这个名词用的准不准确有待考究）。

继续上面的代码，我们接着写代码：

mydataloader = DataLoader(dataset=mydataset,
                          batch_size=1)

我们现在创建了一个DataLoader的实例，并且把之前实例化的mydataset作为参数输入进去，并且还输入了batch_size这个参数，现在我们使用的batch_size是1.下面来用for循环来遍历这个dataloader：

for i,(data,label) in enumerate(mydataloader):
    print(data,label)

输出结果是：

意料之中的结果，总共输出了4个batch，每个batch都是只有1个样本（数据+标签），值得注意的是，这个输出过程是顺序的。

我们稍微修改一下上面的DataLoader的参数：

mydataloader = DataLoader(dataset=mydataset,
                          batch_size=2,
                          shuffle=True)

for i,(data,label) in enumerate(mydataloader):
    print(data,label)

结果是：

可以看到每一个batch内出现了2个样本。假如我们再运行一遍上面的代码，得到：

两次结果不同，这是因为shuffle=True,dataset中的index不再是按照顺序从0到3了，而是乱序，可能是[0,1,2,3],也可能是[2,3,1,0]。

【个人感想】

Dataloader和Dataset两个类是非常方便的，因为这个可以快速的做出来batch数据，修改batch_size和乱序都非常地方便。有下面两个希望注意的地方：

1. 一般标签值应该是Long整数的，所以标签的tensor可以用torch.LongTensor(数据)或者用.long()来转化成Long整数的形式。
2. 如果要使用PyTorch的GPU训练的话，一般是先判断cuda是否可用，然后把数据标签都用to()放到GPU显存上进行GPU加速。

device = 'cuda' if torch.cuda.is_available() else 'cpu'
for i,(data,label) in enumerate(mydataloader):
    data = data.to(device)
    label = label.to(device)
    print(data,label)

看一下输出：