深度学习（PyTorch）——DataLoader的使用方法

B站UP主“我是土堆”视频内容

batch_size是每次给网络的数据多少，比如我们去抓牌，当batch_size=2时，每次抓牌就抓2张。

shuffle是否要打乱数据，当设置为True时，前一次epoch的数据与当前次epoch的数据顺序是不一样的。

num_workers是表示进程数量，在window下可能出现bug

drop_last是每次从数据集取数据，可能最后存在余数，是否要把余数舍去，例如batch_size=2，整个数据的数量为99，此时会出现余数1。

 torch.Size（[3,32,32]）中的3表示3通道（RGB），图片尺寸大小为32*32

 batch_size=4表示从数据集当中取 test_data[0]， test_data[1]， test_data[2]， test_data[3]，把它们对应的img进行打包成imgs，把它们对应的target进行打包成targets

torch.Size（[4,,3,32,32]）当中的4表示4张图片，也就是batch_size

tensor（[2,3,6,8]）是把四张图片的target进行打包，每张图片对应的target分别是2,3,6,8

 

 

从tensorboard 中可以看到，每次取数据都是64张图片

 

最后一次取数据是16张图片

 

 把drop_last设置为True，在tensorboard中观察最后一次数据，发现最后的16张图片舍弃了

 

 

 

epoch=2表示把所有数据训练2遍，当shuffle=False时，第一次数据和第二次数据的排列顺序是一模一样的。

 

 当shuffle=TRUE时，结果如下，一般情况下shuffle设置为TRUE

 

 程序如下：

import torchvision
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

test_data = torchvision.datasets.CIFAR10(root="./dataset_CIFAR10",train=False,transform=torchvision.transforms.ToTensor())

test_loader = DataLoader(dataset=test_data,batch_size=4,shuffle=True,num_workers=0,drop_last=False)

img,target = test_data[0]
print(img.shape)
print(target)

writer = SummaryWriter("dataloader")
for epoch in range(2):
    step = 0
    for data in test_loader:
        imgs, targets = data
        # print(imgs.shape)
        # print(targets)
        writer.add_images("Epoch: {}".format(epoch),imgs,step)
        step=step+1
writer.close()