本文将深入介绍PyTorch中torch.utils.data
模块的7个核心函数,这些工具可以帮助你更好地管理和操作数据。
1、Dataset类
Dataset
类是PyTorch数据处理的基础。通过继承这个类可以创建自定义的数据集,适应各种类型的数据,如图像、文本或时间序列数据。
要创建自定义数据集,需要实现两个关键方法:
-
__len__
方法:返回数据集的大小 -
__getitem__
方法:根据给定的索引检索样本
这种灵活性使得Dataset
类能够处理各种数据格式和来源。
代码示例:
import torch
from torch.utils.data import Dataset
class CustomDataset(Dataset):
def __init__(self, data, labels):
self.data = data
self.labels = labels
def __len__(self):
return len(self.data)
def __getitem__(self, idx):
return self.data[idx], self.labels[idx]
# 创建一个简单的数据集
data = torch.randn(100, 5) # 100个样本,每个样本5个特征
labels = torch.randint(0, 2, (100,)) # 二分类标签
dataset = CustomDataset(data, labels)
print(f"数据集大小: {len(dataset)}")
print(f"第一个样本: {dataset[0]}")
2、DataLoader
DataLoader
是一个极其重要的工具,它封装了数据集并提供了一个可迭代对象。它简化了批量加载、数据shuffling和并行数据处理等操作,是训练和评估模型时高效输入数据的关键。
DataLoader
的主要功能包括:
-
批量加载数据
-
自动shuffling数据
-
多进程数据加载以提高效率
-
自定义数据采样策略
代码示例:
from torch.utils.data import DataLoader
# 使用之前创建的dataset
batch_size = 16
dataloader = DataLoader(dataset, batch_size=batch_size, shuffle=True, num_workers=2)
for batch_data, batch_labels in dataloader:
print(f"批次数据形状: {batch_data.shape}")
print(f"批次标签形状: {batch_labels.shape}")
break # 只打印第一个批次
3. Subset
Subset
可以从一个大型数据集中创建一个较小的、特定的子集。这在以下场景中特别有用:
-
使用数据子集进行实验
-
将数据集分割为训练集、验证集和测试集
通过指定索引,可以轻松创建所需的数据子集。
from torch.utils.data import Subset
import numpy as np
# 创建一个子集,包含原始数据集的前20%的数据
dataset_size = len(dataset)
subset_size = int(0.2 * dataset_size)
subset_indices = np.random.choice(dataset_size, subset_size, replace=False)
subset = Subset(dataset, subset_indices)
print(f"子集大小: {len(subset)}")
# 使用子集创建新的DataLoader
subset_loader = DataLoader(subset, batch_size=8, shuffle=True)
4、ConcatDataset
ConcatDataset
用于将多个数据集组合成一个单一的数据集。当有多个需要一起使用的数据集时,这个工具非常有用。它可以:
-
合并来自不同来源的数据
-
创建更大、更多样化的训练集
代码示例:
from torch.utils.data import ConcatDataset
# 创建两个简单的数据集
dataset1 = CustomDataset(torch.randn(50, 5), torch.randint(0, 2, (50,)))
dataset2 = CustomDataset(torch.randn(30, 5), torch.randint(0, 2, (30,)))
# 合并数据集
combined_dataset = ConcatDataset([dataset1, dataset2])
print(f"合并后的数据集大小: {len(combined_dataset)}")
# 使用合并后的数据集创建DataLoader
combined_loader = DataLoader(combined_dataset, batch_size=16, shuffle=True)
5、TensorDataset
当数据已经以张量形式存在时,TensorDataset
非常有用。它将张量包装成一个数据集对象,使得处理预处理的特征和标签变得简单。
TensorDataset
的主要优势在于:
-
直接使用张量数据
-
简化了已经预处理数据的使用流程
代码示例:
from torch.utils.data import TensorDataset
# 创建特征和标签张量
features = torch.randn(1000, 10) # 1000个样本,每个样本10个特征
labels = torch.randint(0, 5, (1000,)) # 5分类问题
# 创建TensorDataset
tensor_dataset = TensorDataset(features, labels)
# 使用TensorDataset创建DataLoader
tensor_loader = DataLoader(tensor_dataset, batch_size=32, shuffle=True)
for batch_features, batch_labels in tensor_loader:
print(f"特征形状: {batch_features.shape}, 标签形状: {batch_labels.shape}")
break
6、RandomSampler
RandomSampler
用于从数据集中随机采样元素。在使用随机梯度下降(SGD)等需要随机采样的训练方法时,这个工具尤为重要。它可以帮助:
-
增加训练的随机性
-
减少模型过拟合的风险
代码示例:
from torch.utils.data import RandomSampler
# 使用之前创建的dataset
random_sampler = RandomSampler(dataset, replacement=True, num_samples=50)
# 使用RandomSampler创建DataLoader
random_loader = DataLoader(dataset, batch_size=10, sampler=random_sampler)
for batch_data, batch_labels in random_loader:
print(f"随机采样批次大小: {batch_data.shape[0]}")
break
7、WeightedRandomSampler
WeightedRandomSampler
基于指定的概率(权重)进行有放回采样。这在处理不平衡数据集时特别有用,因为它可以:
-
更频繁地采样少数类
-
平衡类别分布,提高模型对少数类的敏感度
代码示例:
from torch.utils.data import WeightedRandomSampler
import torch.nn.functional as F
# 假设我们有一个不平衡的数据集
imbalanced_labels = torch.tensor([0, 0, 0, 0, 1, 1, 2])
# torch.unique()的功能类似于数学中的集合,就是挑出tensor中的独立不重复元素。
class_sample_count = torch.tensor([(imbalanced_labels == t).sum() for t in torch.unique(imbalanced_labels, sorted=True)])
weight = 1. / class_sample_count.float()
samples_weight = torch.tensor([weight[t] for t in imbalanced_labels])
# 创建WeightedRandomSampler
weighted_sampler = WeightedRandomSampler(samples_weight, len(samples_weight))
# 创建一个简单的数据集
imbalanced_dataset = TensorDataset(torch.randn(7, 5), imbalanced_labels)
# 使用WeightedRandomSampler创建DataLoader
weighted_loader = DataLoader(imbalanced_dataset, batch_size=3, sampler=weighted_sampler)
for batch_data, batch_labels in weighted_loader:
print(f"采样的标签: {batch_labels}")
break