为了使数据集代码与模型训练代码解耦以获得更好的可读性和模块化,Pytorch提供了两个数据基元:torch.utils.data.DataLoader和torch.utils.data.Dataset。Dataset存储样本和相应的标签,DataLoader在Dataset上封装了一个迭代对象以更方便地访问样本。
Pytorch提供了一些预加载地数据集(如FashionMNIST)。
加载一个Dataset
以加载Fashion-MNIST为例,root是数据存储的位置,train指定是训练集还是测试集,download=True则表示如果在root位置没有找到数据集则从网络上下载,transform指定特征和标签的转换。
import torch
from torch.utils.data import Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda
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()
)
迭代和可视化Dataset
我们可以像列表那样索引Dataset
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()
为你的文件创建一个自定义的Dataset
自定义Dataset类必须实现三个函数:__init__,__len__,__getitem__
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):
self.img_labels = pd.read_csv(annotations_file)
self.img_dir = img_dir
self.transform = transform
self.target_transform = target_transform
def __len__(self):
return len(self.img_labels)
def __getitem__(self, idx):
img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
image = read_image(img_path)
label = self.img_labels.iloc[idx, 1]
if self.transform:
image = self.transform(image)
if self.target_transform:
label = self.target_transform(label)
sample = {"image": image, "label": label}
return sample
__init__函数在实例化Dataset对象的时候执行,__len__返回数据集样本的数量,__getitem__根据index来返回数据集的一个样本。
使用DataLoader为训练准备数据
Dataset一次性检索一个样本的特征和标签,然而在训练时,我们通常希望以minibatches对数据集分组,并且在每一epoch重新排序以减少过拟合,通过python的多进程来加速。DataLoader以一个简单的API封装了复杂的算法。
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)
遍历DataLoader
# 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}")