学习笔记——pytorch1.9.0官方文档快速入门（二）

参考

官方文档——Datasets & Dataloaders

运行环境：google colab

笔记链接

• 学习笔记——pytorch1.9.0官方文档快速入门（一）
• 学习笔记——pytorch1.9.0官方文档快速入门（二）
• 学习笔记——pytorch1.9.0官方文档快速入门（三）
• 学习笔记——pytorch1.9.0官方文档快速入门（四）
• 学习笔记——pytorch1.9.0官方文档快速入门（五）
• 学习笔记——pytorch1.9.0官方文档快速入门（六）
• 学习笔记——pytorch1.9.0官方文档快速入门（七）

Datasets & Dataloaders介绍

  pytorch提供了两种类：torch.utils.data.DataLoader和torch.utils.data.Dataset。它们允许你使用预加载的数据集以及自己的数据集。Dataset存储样本以及对应的标签，Dataloader围绕Dataset包装一个可迭代对象，以便轻松访问样本。
  pytorch库提供了许多预加载的数据集（例如 FashionMNIST），它们是torch.utils.data.Dataset的子类并实现特定于特定数据的功能。它们可用于对模型进行原型设计和基准测试。

加载数据集

  举例：如何从TorchVision中加载 FashionMNIST数据集。Fashion-MNIST是Zalando文章图像的数据集，由60,000个训练示例和10,000个测试示例组成。每个示例都包含一个28×28灰度图像和来自10个类别之一的相关标签。
  参数说明：

• root是存储训练/测试数据的路径；
• train指定训练或测试数据集；
• download=True：如果root不可用，则从网络下载数据；
  -transform和target_transform指定特征和标签转换。

import torch
from torch.utils.data import Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plt


training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)

可视化数据集

  我们可以像列表一样手动索引数据集：training_data[index]。我们使用matplotlib来可视化训练数据中的一些样本。

labels_map = {
    0: "T-Shirt",
    1: "Trouser",
    2: "Pullover",
    3: "Dress",
    4: "Coat",
    5: "Sandal",
    6: "Shirt",
    7: "Sneaker",
    8: "Bag",
    9: "Ankle Boot",
}
figure = plt.figure(figsize=(8, 8))
cols, rows = 3, 3
for i in range(1, cols * rows + 1):
    sample_idx = torch.randint(len(training_data), size=(1,)).item()
    img, label = training_data[sample_idx]
    figure.add_subplot(rows, cols, i)
    plt.title(labels_map[label])
    plt.axis("off")
    plt.imshow(img.squeeze(), cmap="gray")
plt.show()

自定义数据集

  自定义Dataset类必须实现三个函数：__init__、__len__和__getitem__。举例：FashionMNIST图片存储在目录img_dir中，它们的标签单独存储在csv文件annotations_file中。

import os
import pandas as pd
from torchvision.io import read_image

class CustomImageDataset(Dataset):
    def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
        self.img_labels = pd.read_csv(annotations_file)
        self.img_dir = img_dir
        self.transform = transform
        self.target_transform = target_transform

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

    def __getitem__(self, idx):
        img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
        image = read_image(img_path)
        label = self.img_labels.iloc[idx, 1]
        if self.transform:
            image = self.transform(image)
        if self.target_transform:
            label = self.target_transform(label)
        return image, label

  接下来开始拆解类的实现。

init

  __init__函数在实例化Dataset对象时运行一次（类似于构造函数）。我们初始化包含图像、注释文件和两个转换的目录。
  Label.csv文件结构如下：

tshirt1.jpg, 0
tshirt2.jpg, 0
......
ankleboot999.jpg, 9

def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
    self.img_labels = pd.read_csv(annotations_file)
    self.img_dir = img_dir
    self.transform = transform
    self.target_transform = target_transform

len

  __len__函数返回我们数据集中的样本数。

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

getitem

  __getitem__函数从给定索引idx的数据集中加载并返回一个样本。根据索引idx，它能确定图片在数据集中的位置，使用read_image将图片转换为tensor，利用self.img_labels从csv文件中找到对应的标签label，对它们调用转换函数（如果适用），最后以tuple元组的形式返回图像的tensor格式和对应的标签label。

def __getitem__(self, idx):
    img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
    image = read_image(img_path)
    label = self.img_labels.iloc[idx, 1]
    if self.transform:
        image = self.transform(image)
    if self.target_transform:
        label = self.target_transform(label)
    return image, label

使用Dataloaders准备训练数据

  Dataset检索我们数据集的特征并每次标记一个样本。我们通常希望在“小批量（minibatches）”中传递样本，在每个轮（epoch）后重新洗牌数据以降低模型过度拟合的风险，并且使用python的multiprocessing来加速数据检索。
  Dataloader是一个迭代器，它在一个简单的API中为我们抽象出这种复杂过程。

from torch.utils.data import DataLoader

train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)

遍历DAtaloader

  我们已经将该数据集加载到Dataloader中，并且可以根据需求遍历数据集。下面的每次迭代都会返回一批train_features和train_labels（分别包含batch_size=64个特征和标签）。因为我们指定了shuffle=True，所以在我们遍历所有批次之后，数据会被打乱。

# Display image and label.
train_features, train_labels = next(iter(train_dataloader))
print(f"Feature batch shape: {train_features.size()}")
print(f"Labels batch shape: {train_labels.size()}")
img = train_features[0].squeeze()
label = train_labels[0]
plt.imshow(img, cmap="gray")
plt.show()
print(f"Label: {label}")