Datasets与IterableDatasets

前言

一直使用 Datasets 类，首次遇到 IterableDatasets 类，遂查找区别

Dataset Types

一共有两种数据集：

• map-style 数据集
• iterable-style 数据集

Map-style datasets

映射样式的数据集是实现了__getitem__()和__len__()协议的数据集，表示从(可能是非整数)索引/键到数据样本的映射

• 我们使用 dataset[idx] 可以从磁盘上得到第 idx 个数据

Iterable-style datasets

可迭代样式的数据集是 IterableDataset 的实例，实现了 iter() 协议，表示数据样本上的可迭代对象，这种类型的数据集特别适用于随机读取非常昂贵甚至不可能的情况，并且批处理大小取决于获取的数据。

• 例如，当使用 iter(dataset) 时，它可以返回从数据库、远程服务器读取的数据流，甚至是实时生成的日志
• 注意：当使用多线程数据加载时，每个 worker 都会重复相同的数据集，数据集会重复返回 num_workers 遍

Python中的可迭代对象（Iterable）

Python中可迭代对象(Iterable)并不是指某种具体的数据类型，它是指存储了元素的一个容器对象，且容器中的元素可以通过__iter__方法或__getitem__方法访问。

• iter 方法的作用是让对象可以用 for...in...循环遍历，getitem 方法是让对象可以通过index索引的方式访问实例中的元素。
• 一个可迭代对象是不能独立进行迭代的，迭代通过 for...in 完成。凡是可迭代对象都可以直接用 for...in循环访问，这个语句做了两件事：
  • 调用__iter__获得一个可迭代器
  • 循环调用__next__
    可迭代对象（Iterable）并不是（Iterator），所有的 Iterable 都可以通过内置函数 __iter__来转变为Iterator。
• 迭代器的优点是：节约内存。因为 Iterator 对象表示的是一个数据流，可以把这个数据流看作一个有序序列，但是我们却不能提前知道序列的长度。因此，Iterator的计算是惰性的，只有在需要返回下一个数据时才会计算。这就意味着，在循环过程中，不用一次性读入数据，处理文件对象时很有用

样例验证

# 构造 iterable-style datasets
class iter_Dataset(IterableDataset):
    def __init__(self, num_samples):
        self.num_samples = num_samples

    def __iter__(self):
        for i in range(self.num_samples):
            label = np.array(i)
            yield label

# 构造 map-style datasets
class normal_Dataset(Dataset):
    def __init__(self, num_samples):
        self.num_samples = num_samples
        self.data = []
        for i in range(self.num_samples):
            self.data += [i]

    def __len__(self):
        return self.num_samples

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

直接输出数据集

iter_dataset = iter_Dataset(10)
dataset = normal_Dataset(10)

print(f"normal dataset type: {type(dataset)}")
for lbl in dataset:
    print(f"normal Dataset: {lbl}")
>>normal dataset type: <class '__main__.normal_Dataset'>
normal Dataset: 0
normal Dataset: 1
normal Dataset: 2

print(f"iterable dataset type: {type(iter_dataset)}")
for lbl in iter_dataset:
    print(f"iter dataset: {lbl}")
>>iterable dataset type: <class '__main__.iter_Dataset'>
iter dataset: 0
iter dataset: 1
iter dataset: 2

使用 DataLoader

• num_workers = 1, batch_size = 1，可以看到，输出的结果是一样的

iter_dataset = iter_Dataset(10)
iter_dataloader = DataLoader(
    iter_dataset,
    num_workers=1,
    batch_size=1,
)

dataset = normal_Dataset(10)
dataloader = DataLoader(
    dataset,
    num_workers=1,
    batch_size=1,
)

for lbl in dataloader:
    print(f"normal Dataset: {lbl}")
>>normal Dataset: Tensor(shape=[1], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [0])
normal Dataset: Tensor(shape=[1], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [1])
normal Dataset: Tensor(shape=[1], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [2])


for lbl in iter_dataloader:
    print(f"iter dataset: {lbl}")
>>iter dataset: [Tensor(shape=[1], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [0])]
iter dataset: [Tensor(shape=[1], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [1])]
iter dataset: [Tensor(shape=[1], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [2])]

• num_workers = 2, batch_size = 1，可以看到，iterable-style 重复输出了两次，这就验证了，这种形式的每个 worker 都会遍历整个数据集，从而导致有几个 workers 就输出几遍

>>normal Dataset: Tensor(shape=[1], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [0])
normal Dataset: Tensor(shape=[1], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [1])
normal Dataset: Tensor(shape=[1], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [2])

>>iter dataset: [Tensor(shape=[1], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [0])]
iter dataset: [Tensor(shape=[1], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [0])]
iter dataset: [Tensor(shape=[1], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [1])]
iter dataset: [Tensor(shape=[1], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [1])]
iter dataset: [Tensor(shape=[1], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [2])]
iter dataset: [Tensor(shape=[1], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [2])]

• num_workers = 2, batch_size = 2，可以看到，每条数据都变成了两个元素，验证了 batch_size 的效果

>>normal Dataset: Tensor(shape=[2], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [0, 1])
normal Dataset: Tensor(shape=[2], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [2, 3])
normal Dataset: Tensor(shape=[2], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [4, 5])


>>iter dataset: [Tensor(shape=[2], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [0, 1])]
iter dataset: [Tensor(shape=[2], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [0, 1])]
iter dataset: [Tensor(shape=[2], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [2, 3])]
iter dataset: [Tensor(shape=[2], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [2, 3])]
iter dataset: [Tensor(shape=[2], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [4, 5])]
iter dataset: [Tensor(shape=[2], dtype=int64, place=Place(gpu_pinned), stop_gradient=True,
       [4, 5])]