Pytorch torch.utils.data.DataLoader 用法详细介绍

---

1. 介绍

torch.utils.data.DataLoader 是 PyTorch 提供的一个用于数据加载的工具类，用于批量加载数据并为模型提供输入。它可以将数据集包装成一个可迭代的对象，方便地进行数据加载和批处理操作。Pytorch DataLoader 的详细官方介绍看这里

2. 参数详解

• dataset (Dataset) – 加载的数据集

• batch_size (int, optional) – 每一次处理加载多少数据

• shuffle (bool, optional) – True 表示每次 epoch 都要重新打乱数据，默认 False

• sampler (Sampler or Iterable, optional) – 定义采样的策略。如果定义了此参数，那么 shuffle 参数必须为 False

• batch_sampler (Sampler or Iterable, optional) – 同 sample 一样，但每次返回数据的索引。与 batch_size、shuffle、sample、drop_last 参数互斥

• num_workers (int, optional) – 指定用于数据加载的子进程数，可以加快数据加载速度。默认0，表示用主进程加载

• collate_fn (Callable, optional) – 批处理函数，用于将多个样本合并成一个批次，例如将多个张量拼接在一起，构建 mini-batch。当使用 map-style 数据集进行批量加载时使用。

• pin_memory (bool, optional) – True 表示在返回张量之前将张量复制到 CUDA 固定的内存中，加快 GPU 传输速度

• drop_last (bool, optional) – True 表示可删除最后一个不完整的批次。默认 False，如果数据集的大小不能被批次大小整除，则最后一个批次会更小。

• timeout (numeric, optional) – 非负数，worker 收集批次数据的超时时间，默认0

• worker_init_fn (Callable, optional) – 如果非None，则在种子设定之后和数据加载之前，将以worker id（[0，num_workers-1]中的int）作为输入对每个 worker 子进程调用此函数。（默认值：None）

• multiprocessing_context (str or multiprocessing.context.BaseContext, optional) – 如果为None，则将使用操作系统的默认多处理上下文。（默认值：None）

• generator (torch.Generator, optional) – 如果非None，则RandomSampler 将使用此RNG来生成随机索引，并进行多进程处理以为 workers 生成 base_seed。（默认值：None）

• prefetch_factor (int, optional, keyword-only arg) – 每个 worker 预先装载的批次数。2 表示在所有工作线程中总共预取2*num_workers批次。（默认值取决于为num_workers设置的值。如果num_workers=0的值，则默认为None。否则，如果num_workers>0的值，默认为2）

• persistent_workers (bool, optional) – True 表示不会在数据集使用一次后关闭工作进程。这允许保持 worker 实例处于活动状态。（默认值：False）

• pin_memory_device (str, optional) – 如果 pin_memory 为 True，该参数表示 pin_memory 所指向的设备

3. 用法

使用 DataLoader 进行迭代

import torch
from torch.utils.data import Dataset, DataLoader
# 假设有自定义数据集类 MyDataset
class MyDataset(Dataset):
    # 实现 __init__, __len__, 和 __getitem__ 方法...

# 实例化数据集
dataset = MyDataset(data_source)

# 创建 DataLoader
dataloader = DataLoader(dataset,
                       batch_size=64,  # 设置批次大小
                       shuffle=True,   # 是否随机打乱数据
                       num_workers=4,  # 启用4个工作进程加载数据
                       drop_last=True  # 丢弃最后一个不足批次大小的数据
                      )

# 迭代数据加载器进行训练
for epoch in range(num_epochs):
    for inputs, labels in dataloader:
        # 训练模型...
        outputs = model(inputs)
        loss = compute_loss(outputs, labels)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

在迭代过程中，loader 会自动从数据集中加载数据，并将其组织成批次。每次迭代返回一个批次的数据，其中 batch_data 是一个包含输入数据和标签的元组或列表。

4. 参考

https://pytorch.org/tutorials/beginner/basics/data_tutorial.html