多模态（多特征）使用DataLoader方法

最新推荐文章于 2024-07-17 00:30:02 发布

セキ　ギョウカン

最新推荐文章于 2024-07-17 00:30:02 发布

阅读量2.3k

点赞数 1

文章标签： pytorch 深度学习神经网络

本文链接：https://blog.csdn.net/sxh520zz/article/details/119875952

版权

该博客介绍了在多模态研究中如何使用DataLoader来处理不同特征的输入。通过创建自定义的subDataset类，将两个特征（Feature_1和Feature_2）与标签（Label）结合，并在__getitem__方法中转换为张量，以便于网络的训练。DataLoader以指定的batch_size和shuffle参数对数据进行分批加载。

摘要由CSDN通过智能技术生成

DataLoader 多模态输入方法

多模态研究中，经常需要多种特征拼接输入网络，例如cnn的输出拼接低维特征后连接线性层进行输出、简单总结DataLoader使用办法：

import torch.utils.data.dataset as Dataset

class subDataset(Dataset.Dataset):
	def __init__(self,Feature_1,Feature_2,Label):
		self.Feature_1 = Feature_1
		self.Feature_2 = Feature_2
		self.Label = Label
	def __len__(self):
		return len(self.Label)
	def __getitem__(self,index):
		Feature_1 = torch.Tensor(self.Feature_1[index])
		Feature_2 = torch.Tensor(self.Feature_2[index])
		Label = torch.Tensor(self.Label[index])
		return Feature_1,Feature_2,Label

train_dataset = subDataset(Feature_1,Feature_2,Label)
train_loader = torch.utils.data.DataLoader(train_dataset,batch_size=batch_size,shuffle=True)