PyTorch dataset & dataloader用法

dataset & dataloader

参考PyTorch官方文档: https://pytorch.org/docs/stable/data.html

Dataloader

TODO: sample取样器

本来想写这个参数的用法,结果发现自己总用不上这个参数

pin_memory

详解Pytorch里的pin_memory 和 non_blocking.https://zhuanlan.zhihu.com/p/477870660

将数据放入cuda

pin_memory (bool, optional) – If True, the data loader will copy Tensors into device/CUDA pinned memory before returning them. If your data elements are a custom type, or your collate_fn returns a batch that is a custom type, see the example below.

若传入的是自定义的类型,传入的pin_memory参数不会生效。但你可调用tensor.pin_memory()。

锁页(pinned page)是操作系统常用的操作,就是为了使硬件外设直接访问CPU内存,从而避免过多的复制操作。

“ 内存可以分为 没锁的(pageable,可分页的)锁了的(pinned)
锁页内存和GPU显存之间的拷贝速度大约是6GB/s
可分页内存和GPU显存间的拷贝速度大约是3GB/s。
GPU内存间速度是30GB/s,CPU间内存速度是10GB/s

GPU只能读取pinned的数据。但Host(例如CPU)的数据分配默认是pageable(可分页的)。GPU处理可分页(pageable)的数据时,需要把该数据拷贝到临时的缓冲区(pinned memory)才能读取。通过设置pin_memory=True,从一开始就把内存给锁住,这样就减少了开销,避免了CPU内存拷贝时间。

train_sampler = None
train_loader = torch.utils.data.DataLoader(
 train_dataset,
  ...,
  pin_memory=True
)

for data, labels in train_loader:
    data = data.to('cuda:0', non_blocking=True)

collate_fn

不给collate_fn赋值, automatic batching。the default collate_fn simply converts NumPy arrays into PyTorch Tensors, and keeps everything else untouched. 传入的字典,也会自动处理字典的values。

当你想在collate_fn的函数中,给DataLoader传入collate_fn,可自定义一些操作。

collate_fn的输入是长为batch_size的由sample组成的列表。

def collate_fn_func(data):
  feature, label = zip(*data)
  return torch.stack(feature,dim=0),torch.stack(label,dim=0)

collate_fn函数的返回值,便是dataloader迭代器最终的结果。

dataset

划分训练集和验证集

torch.utils.data.random_split

trainlen = int(0.9 * len(dataset))
lengths = [trainlen, len(dataset) - trainlen]
trainset, validset = random_split(dataset, lengths)

# 简化
trainset, validset = random_split(dataset, [0.7,0.3])

常用的都是使用自定义的数据集类

TensorDataset

  • class torch.utils.data.TensorDataset(*tensors)[source]

    Dataset wrapping tensors. Each sample will be retrieved by indexing tensors along the first dimension. Parameters: *tensors – tensors that have the same size of the first dimension.

有时候,一些列表的数据,使用TensorDataset也挺方便的。摘抄自官方Demo,感兴趣的话,参看官方文档

可忽略SimpleCustomBatch这个类,直接看TensorDataset的使用即可

from torch.utils.data import TensorDataset
class SimpleCustomBatch:
    def __init__(self, data):
        transposed_data = list(zip(*data))
        self.inp = torch.stack(transposed_data[0], 0)
        self.tgt = torch.stack(transposed_data[1], 0)

    # custom memory pinning method on custom type
    def pin_memory(self):
        self.inp = self.inp.pin_memory()
        self.tgt = self.tgt.pin_memory()
        return self

def collate_wrapper(batch):
    return SimpleCustomBatch(batch)

inps = torch.arange(10 * 5, dtype=torch.float32).view(10, 5)
tgts = torch.arange(10 * 5, dtype=torch.float32).view(10, 5)
dataset = TensorDataset(inps, tgts)

loader = DataLoader(dataset, batch_size=2, collate_fn=collate_wrapper,
                    pin_memory=True)

for batch_ndx, sample in enumerate(loader):
    print(sample.inp.is_pinned())
    print(sample.tgt.is_pinned())

常用示例

BERT

huggingface tokenizer处理示例,代码由笔者编写,不保证是否高效。

from torch.utils.data import Dataset,DataLoader,random_split

或许你需要random_split,自行完善切分数据集的操作

# train_dataset, val_dataset = random_split(dataset, [train_size, val_size])
def collate_fn(data):
  features, labels = list(zip(*data))
  return tokenizer(
     features,
     add_special_tokens = True,
     max_length = 64,
     pad_to_max_length = True,
     return_attention_mask = True,
     return_tensors = 'pt'
    ),torch.tensor(labels)

class SampleDataset(Dataset):
  def __init__(self, 
          sentences,
          labels=None,
          is_train=True,
         ):
    self.sentences = sentences
    self.labels = labels
    self.is_train = is_train

  def __len__(self):
    return len(self.sentences)

  def __getitem__(self, idx):
    if not self.is_train:
      return self.sentences[idx]
    return self.sentences[idx], self.labels[idx]
sample_dataset = SampleDataset(sentences,labels)
sample_dataloader = DataLoader(
            sample_dataset,
            batch_size = batch_size,
            shuffle=False,
            collate_fn=collate_fn,
            pin_memory=True,
          )
for d,label in sample_dataloader:
  input_id = d['input_ids']
  attention_mask = d['attention_mask']
  print(input_id.shape,attention_mask.shape,label.shape)
  break
# torch.Size([32, 64]) torch.Size([32, 64]) torch.Size([32])
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

jieshenai

为了遇见更好的文章

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值