Pytorch中的数据加载
## 目标
1. 知道数据加载的目的
2. 知道pytorch中Dataset的使用方法
3. 知道pytorch中DataLoader的使用方法
4. 知道pytorch中的自带数据集如何获取
## 1. 模型中使用数据加载器的目的
在前面的线性回归模型中,我们使用的数据很少,所以直接把全部数据放到模型中去使用。
但是在深度学习中,数据量通常是都非常多,非常大的,如此大量的数据,不可能一次性的在模型中进行向前的计算和反向传播,经常我们会对整个数据进行随机的打乱顺序,把数据处理成一个个的batch,同时还会对数据进行预处理。
所以,接下来我们来学习pytorch中的数据加载的方法
## 2. 数据集类
### 2.1 Dataset基类介绍
在torch中提供了数据集的基类`torch.utils.data.Dataset`,继承这个基类,我们能够非常快速的实现对数据的加载。
`torch.utils.data.Dataset`的源码如下:
```python
class Dataset(object):
"""An abstract class representing a Dataset.
All other datasets should subclass it. All subclasses should override
``__len__``, that provides the size of the dataset, and ``__getitem__``,
supporting integer indexing in range from 0 to len(self) exclusive.
"""
def __getitem__(self, index):
raise NotImplementedError
def __len__(self):
raise NotImplementedError
def __add__(self, other):
return ConcatDataset([self, other])
```
可知:我们需要在自定义的数据集类中继承Dataset类,同时还需要实现两个方法:
1. `__len__`方法,能够实现通过全局的`len()`方法获取其中的元素个数
2. `__getitem__`方法,能够通过传入索引的方式获取数据,例如通过`dataset[i]`获取其中的第`i`条数据
### 2.2 数据加载案例
下面通过一个例子来看看如何使用Dataset来加载数据
数据来源:`http://archive.ics.uci.edu/ml/datasets/SMS+Spam+Collection`
数据介绍:SMS Spam Collection是用于骚扰短信识别的经典数据集,完全来自真实短信内容,包括4831条正常短信和747条骚扰短信。正常短信和骚扰短信保存在一个文本文件中。 每行完整记录一条短信内容,每行开头通过ham和spam标识正常短信和骚扰短信
数据实例:
![](../images/1.2/dataset数据示例.png)
实现如下:
```python
from torch.utils.data import Dataset,DataLoader
import pandas as pd
data_path = r"data\SMSSpamCollection"
class CifarDataset(Dataset):
def __init__(self):
lines = open(data_path,"r")
#对数据进行处理,前4个为label,后面的为短信内容
lines = [[i[:4].strip(),i[4:].strip()] for i in lines]
#转化为dataFrame
self.df = pd.DataFrame(lines,columns=["label","sms"])
def __getitem__(self, index):
single_item = self.df.iloc[index,:]
return single_item.values[0],single_item.values[1]
def __len__(self):
return self.df.shape[0]
```
之后对Dataset进行实例化,可以跌倒获取其中的数据
```python
d = CifarDataset()
for i in range(len(d)):
print(i,d[i])
```
输出如下:
```python
....
5571 ('ham', 'Pity, * was in mood for that. So...any other suggestions?')
5572 ('ham', "The guy did some bitching but I acted like i'd be interested in buying something else next week and he gave it to us for free")
5573 ('ham', 'Rofl. Its true to its name')
```
## 3. 迭代数据集
使用上述的方法能够进行数据的读取,但是其中还有很多内容没有实现:
- 批处理数据(Batching the data)
- 打乱数据(Shuffling the data)
- 使用多线程 `multiprocessing` 并行加载数据。
在pytorch中`torch.utils.data.DataLoader`提供了上述的所用方法
`DataLoader`的使用方法示例:
```python
from torch.utils.data import DataLoader
dataset = CifarDataset()
data_loader = DataLoader(dataset=dataset,batch_size=10,shuffle=True,num_workers=2)
#遍历,获取其中的每个batch的结果
for index, (label, context) in enumerate(data_loader):
print(index,label,context)
print("*"*100)
```
其中参数含义:
1. dataset:提前定义的dataset的实例
2. batch_size:传入数据的batch的大小,常用128,256等等
3. shuffle:bool类型,表示是否在每次获取数据的时候提前打乱数据
4. `num_workers`:加载数据的线程数
数据迭代器的返回结果如下:
```
555 ('spam', 'ham', 'spam', 'ham', 'ham', 'ham', 'ham', 'spam', 'ham', 'ham') ('URGENT! We are trying to contact U. Todays draw shows that you have won a £800 prize GUARANTEED. Call 09050003091 from....", 'swhrt how u dey,hope ur ok, tot about u 2day.love n miss.take care.')
***********************************************************************************
556 ('ham', 'ham', 'ham', 'ham', 'ham', 'ham', 'ham', 'ham', 'ham', 'spam') ('He telling not to tell any one. If so treat for me hi hi hi', 'Did u got that persons story', "Don kn....1000 cash prize or a prize worth £5000')
```
注意:
1. `len(dataset) = 数据集的样本数`
2. `len(dataloader) = math.ceil(样本数/batch_size) 即向上取整`
## 4 pytorch自带的数据集
pytorch中自带的数据集由两个上层api提供,分别是`torchvision`和`torchtext`
其中:
1. `torchvision`提供了对图片数据处理相关的api和数据
- 数据位置:`torchvision.datasets`,例如:`torchvision.datasets.MNIST`(手写数字图片数据)
2. `torchtext`提供了对文本数据处理相关的API和数据
- 数据位置:`torchtext.datasets`,例如:`torchtext.datasets.IMDB(电影`评论文本数据)
下面我们以Mnist手写数字为例,来看看pytorch如何加载其中自带的数据集
使用方法和之前一样:
1. 准备好Dataset实例
2. 把dataset交给dataloder 打乱顺序,组成batch
### 4.1 torchversion.datasets
`torchversoin.datasets`中的数据集类(比如`torchvision.datasets.MNIST`),都是继承自`Dataset`
意味着:直接对`torchvision.datasets.MNIST`进行实例化就可以得到`Dataset`的实例
但是MNIST API中的参数需要注意一下:
` torchvision.datasets.MNIST(root='/files/', train=True, download=True, transform=)`
1. `root`参数表示数据存放的位置
2. `train:`bool类型,表示是使用训练集的数据还是测试集的数据
3. `download:`bool类型,表示是否需要下载数据到root目录
4. `transform:`实现的对图片的处理函数
### 4.2 MNIST数据集的介绍
数据集的原始地址:`http://yann.lecun.com/exdb/mnist/`
MNIST是由`Yann LeCun`等人提供的免费的图像识别的数据集,其中包括60000个训练样本和10000个测试样本,其中图拍了的尺寸已经进行的标准化的处理,都是黑白的图像,大小为`28X28`
执行代码,下载数据,观察数据类型:
```python
import torchvision
dataset = torchvision.datasets.MNIST(root="./data",train=True,download=True,transform=None)
print(dataset[0])
```
下载的数据如下:
![](../images/1.2/MNIST-dataset.png)
代码输出结果如下:
```python
Downloading http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz
Downloading http://yann.lecun.com/exdb/mnist/train-labels-idx1-ubyte.gz
Downloading http://yann.lecun.com/exdb/mnist/t10k-images-idx3-ubyte.gz
Downloading http://yann.lecun.com/exdb/mnist/t10k-labels-idx1-ubyte.gz
Processing...
Done!
(<PIL.Image.Image image mode=L size=28x28 at 0x18D303B9C18>, tensor(5))
```
可以其中数据集返回了两条数据,可以猜测为图片的数据和目标值
返回值的第0个为Image类型,可以调用show() 方法打开,发现为手写数字5
```python
import torchvision
dataset = torchvision.datasets.MNIST(root="./data",train=True,download=True,transform=None)
print(dataset[0])
img = dataset[0][0]
img.show() #打开图片
```
图片如下:
![](../images/1.2/MNIST-dataset-5.png)
由上可知:返回值为`(图片,目标值)`,这个结果也可以通过观察源码得到
pytorch dataset
最新推荐文章于 2024-07-10 20:59:51 发布
![](https://img-home.csdnimg.cn/images/20240711042549.png)