1. InMemoryDataset基类
虽然PyG内置了许多数据集,但用户往往希望使用自行记录的数据集。
PyG提供了两个抽象类:torch_geometric.data.Dataset和torch_geometric.data.InMemoryDataset.
- 在PyG中我们可以通过继承
InMemoryDataset
类,来将数据全部存储到内存中。 - PyG可以方便地构造数据完全存于内存的数据集类:
InMemory
数据集类
1. 1InMemoryDataset基类介绍
class InMemoryDataset(root: Optional[str] = None, transform: Optional[Callable] = None, pre_transform: Optional[Callable] = None, pre_filter: Optional[Callable] = None)
- root:字符串类型,是存储数据集的文件夹的路径,该文件夹下有两个文件夹:
- raw_dir:创建用来存储未处理文件的文件夹,存储从网络上下载的数据集原始文件
- processed_dir: 创建用来存储处理后数据的文件夹,以后从此文件夹下加载文件即可获得Data对象。
- 均为属性方法,可以覆写以自定义文件夹名字,不覆写时默认为
raw
和processed
# 一个覆写例子
@property
def raw_dir(self):
return osp.join(self.root, 'raw1')
# 创建了路径为 'self.root/raw1' 的文件夹
@property
def processed_dir(self):
return osp.join(self.root, 'processed1')
# 创建路径为 'self.root/processed1' 的文件夹
- transform=None:函数类型
- 是一个数据转换的函数,该函数接收一个
Data
对象并返回一个转换后的Data
对象 - 该函数在每次数据获取过程中都被执行,具体流程为:获取数据的函数首先用该
transform
函数对Data
做转换,再返回数据 - 该参数输入的函数应用于数据增广
(数据增广是深度学习中常用的技巧之一,主要用于增加训练数据集,让数据集尽可能的多样化,使得训练的模型具有更强的泛化能力;目前数据增广主要包括:水平/垂直翻转,旋转,缩放,裁剪,剪切,平移,对比度,色彩抖动,噪声等)
- 是一个数据转换的函数,该函数接收一个
- pre_transform=None:函数类型
- 是一个数据转换的函数,该函数也是接收一个
Data
对象并返回一个转换后的Data
对象 - 但该函数只在Data`对象被保存到文件前才调用
- 因此它用于只执行一次的数据预处理
- 是一个数据转换的函数,该函数也是接收一个
- pre_filter=None:函数类型
- 是一个检查数据是否要保留的函数
- 它接收一个
Data
对象,返回此Data
对象是否应该被包含在最终的数据集中 - 也在
Data
对象被保存到文件前调用 None
时表示不做数据检查,保留所有数据。
1.2 继承过程中的四个基本方法
- raw_file_names():返回一个数据集原始文件的文件名列表。
# 以数据集PubMed为例
@property
def raw_file_names(self):
return ['some_file_1', 'some_file_2', ...]
"""
一个例子:
@property
def raw_file_names(self):
names = ['x', 'tx', 'allx', 'y', 'ty', 'ally','graph', 'test.index']
return ['ind.pubmed.{}'.format(name) for name in names]
"""
processed_file_names()
:返回一个存储处理过的数据的文件名列表。
@property
def processed_file_names(self):
return ['data.pt']
-download()
:下载原始数据集到raw_dir文件夹中
def download(self):
download_url(url, self.raw_dir) # 从url下载该文件到 self.raw_dir (默认是self.root/raw)
"""
一个例子
def download(self):
for name in self.raw_file_names:
download_url('{}/{}'.format(self.url,name), self.raw_dir)
# 从 self.url/name 下载
"""
process()
:处理数据,流程如下- 在
process
方法里,我们实现数据处理的逻辑: - 首先,我们从数据集原始文件中读取样本并生成
Data
对象,所有样本的Data
对象保存在列表data_list
中。 - 如果要对数据做过滤的话,我们执行数据过滤的过程。
- 如果要对数据做处理的话,我们执行数据处理的过程。
- 我们保存处理好的数据到文件。但由于python保存一个大列表非常慢的,我们需要先将所有
Data
对象合并成大的Data
对象再保存。 collate()
是一个静态方法,其接收一个列表的Data
对象,返回合并后的Data
对象以及用于从合并后的Data
对象重构各个原始Data
对象的切片字典slices
。- 最后通过
torch.save
(要保存的文件, 路径)将这个巨大的Data
对象和切片字典slices保存到文件。
- 在
def process(self):
data_list = [...] # Read data into huge `Data` list.
if self.pre_filter is not None:
data_list = [data for data in data_list if self.pre_filter(data)]
if self.pre_transform is not None:
data_list = [self.pre_transform(data) for data in data_list]
data, slices = self.collate(data_list)
torch.save((data, slices),self.processed_paths[0])
"""
# 一个例子
def process(self):
data = read_planetoid_data(self.raw_dir, 'pubmed')
data = data if self.pre_transform is None else self.pre_transform(data)
torch.save(self.collate([data]), self.processed_paths[0]) # 这里不加[0]也行
"""
1.3 继承后生成对象的程序运行流程
当继承了InMemoryDataset
类构建某个心累的数据集类之后,生成一个该类的对象,其程序运行的流程如下:
- 检查数据原始文件是否已下载:
- 检查
self.raw_dir
目录下是否存在raw_file_names()
属性方法返回的每个文
件,如有文件不存在,则调用download()
方法执行原始文件下载。 - self.raw_dir为osp.join(self.root, ‘raw’)。
- 检查
- 检查数据是否经过处理:
- 先检查之前对数据做变换的方法:检查
self.processed_dir
目录下是否
存在pre_transform.pt
文件:- 存在:意味着之前进行过数据变换,接着需要加载该文件,以获取之前所用的数据变换的方法,并检查它与当前
pre_transform
参数指定的方法是否相同, - 如果不相同则会报出一个警告,“The pre_transform argument differs from
the one used in ……”。
self.processed_dir为osp.join(self.root, ‘processed’)。
- 存在:意味着之前进行过数据变换,接着需要加载该文件,以获取之前所用的数据变换的方法,并检查它与当前
- 先检查之前对数据做变换的方法:检查
- 检查之前的样本过滤的方法:检查
self.processed_dir
目录下是否存
在pre_filter.pt
文件:- 存在,则加载该文件并获取之前所用的样本过滤的方法,并检查它与当前
pre_filter
参数指定的方法是否相同,如果不相同则会报出一个警告,“The pre_filter argument differs from theone used in ……”。
- 存在,则加载该文件并获取之前所用的样本过滤的方法,并检查它与当前
- 检查是否存在处理好的数据:检查
self.processed_dir
目录下是否存
在self.processed_file_names
属性方法返回的所有文件,如有文件不存在,
则需要执行以下的操作:- 调用
process()
方法,进行数据处理。 - 如果
pre_transform
参数不为None
,则调用pre_transform()
函数进行数据处理。 - 如果
pre_filter
参数不为None,则进行样本过滤(此例子中不需要进行样本过滤,pre_filter
参数为None)。 - 保存处理好的数据到文件,文件存储在
processed_paths()
属性方法返回的文件路径。如果将数据保存到多个文件中,则返回的路径有多个。 processed_paths()
属 性 方 法 是 在 基 类 中 定 义 的 , 它 对self.processed_dir
文件夹与processed_file_names()
属性方法的返回每一个文件名做拼接,然后返回。
- 调用
- 最后保存新的
pre_transform.pt
文件和pre_filter.pt
文件,它们分别存当前使用的数据处理方法和样本过滤方法
1.4 一个生成对象的例子
PlanetoidPubMed数据集类的构造
import os.path as osp
import torch
from torch_geometric.data import InMemoryDataset, download_url
from torch_geometric.io import read_planetoid_data
class PlanetoidPubMed(InMemoryDataset):
url = 'https://gitee.com/rongqinchen/planetoid/raw/master/data'
""" 节点代表文章,边代表引文关系。
训练、验证和测试的划分通过二进制掩码给出。
参数:
root (string): 存储数据集的文件夹的路径
transform (callable, optional): 数据转换函数,每一次获取数据时被调用。
pre_transform (callable, optional): 数据转换函数,数据保存到文件前被调用。
"""
# url = 'https://gitee.com/rongqinchen/planetoid/raw/master/data'
# 如果github的链接不可用,请使用gitee的链接
def __init__(self, root, transform=None, pre_transform=None):
super(PlanetoidPubMed, self).__init__(root, transform, pre_transform)
self.data, self.slices = torch.load(self.processed_paths[0])
@property
def raw_file_names(self):
names = ['x', 'tx', 'allx', 'y', 'ty', 'ally', 'graph', 'test.index']
return ['ind.pubmed.{}'.format(name) for name in names]
@property
def processed_file_names(self):
return 'data.pt'
def download(self):
for name in self.raw_file_names:
download_url('{}/{}'.format(self.url,name), self.raw_dir) # 从 self.url/name 下载该文件到 self.raw_dir (默认是self.root/raw)
def process(self):
data = read_planetoid_data(self.raw_dir, 'pubmed')
data = data if self.pre_transform is None else self.pre_transform(data)
torch.save(self.collate([data]), self.processed_paths[0])
接下来生成这个类的对象
dataset = PlanetoidPubMed('dataset/PlanetoidPubMed')
print(dataset.num_classes)
print(dataset[0].num_nodes)
print(dataset[0].num_edges)
print(dataset[0].num_features)