Datasets&DataLoader

PyTorch 提供了两个数据基类： torch.utils.data.DataLoader 和 torch.utils.data.Dataset。允许你使用预加载的数据集以及你自己的数据集。 Dataset 存储样本和它们相应的标签，DataLoader 在 Dataset 基础上添加了一个迭代器，迭代器可以迭代数据集，以便能够轻松地访问 Dataset 中的样本。

PyTorch 领域库提供了一些预加载的数据集(如FashionMNIST)，这些数据集是 torch.utils.data.Dataset 的子类，并实现特定数据的功能。

Fashion-MNIST是一个由 60,000 个训练实例和 10,000 个测试实例组成的 Zalando 的文章图像数据集。 每个例子包括一个28×28的灰度图像和10个类别中的一个相关标签。

为你的文件创建一个自定义数据集

一个自定义的数据集类必须实现三个函数： __init__, __len__, 和 __getitem__。 以 FashionMNIST 数据集为例，它的图片存储在 img_dir 参数指定的目录中，标签存储在 annotations_file 参数指定的CSV文件中。

import os
import pandas as pd
from torch.utils.data import Dataset
from torchvision.io import read_image

class CustomImageDataset(Dataset):
    def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
    # 在实例化数据集对象时，__init__ 函数会运行一次，用于初始化图像目录、标签文件和图像转换属性
        self.img_labels = pd.read_csv(annotations_file) # 指定标签存储的csv文件
        self.img_dir = img_dir # 指定图片存储目录
        self.transform = transform
        self.target_transform = target_transform
        # transform 和 target_transform 指定特征和标签的转换

    def __len__(self): # 函数 __len__ 返回我们数据集中的样本数
        return len(self.img_labels)

    def __getitem__(self, idx): # 函数 __getitem__ 从数据集中给定的索引 idx 处加载并返回一个样本
        img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0]) # 根据索引可以确定图像在硬盘上的位置
        image = read_image(img_path) # 用 read_image 将img_path转换为tensor
        label = self.img_labels.iloc[idx, 1] # 从 self.img_labels 的csv数据中获取相应的标签
        if self.transform:
            image = self.transform(image)
        if self.target_transform:
            label = self.target_transform(label)
        return image, label
        # 最后对图像和标签调用 transform 函数(如果适用)，并返回tensor图像和相应的标签的元组。

加载一个数据集

# 从 TorchVision 加载 Fashion-MNIST 数据集
# torchvision是一个计算机视觉工具包
# torchvision.transforms: 里面包括常用的图像预处理方法
# torchvision.datasets: 里面包括常用数据集如 mnist、CIFAR-10、Image-Net 等
# torchvision.models: 里面包括常用的预训练好的模型，如 AlexNet、VGG、ResNet、GoogleNet 等

import torch
import torchvision
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", #存储训练/测试数据的路径
    train=True, #指定训练或测试数据集
    download=True, #如果 root 指定的目录没有数据，就自动从网上下载数据
    transform=ToTensor()
)

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

迭代和可视化数据集

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()
    # torch.randint随机生成一个小于len(training_data)的数，size=(1,)指生成一个一维张量，item()是取出其中的数
    # torch数据类型的item()方法得到【只有一个元素的张量】里边的【元素值】
    img, label = training_data[sample_idx]
    figure.add_subplot(rows, cols, i)
    # 在画布中增加轴域
    # add_subplot(nrows, ncols, index, **kwargs) 参数nrows与ncols决定画布被划分为nrows*ncols几部分。索引index从左上角开始，向右边递增
    # 索引也可以指定为二元数组，表示图表占据位置为：从索引的第1个参数到第2个参数的位置。
    plt.title(labels_map[label])
    plt.axis("off")
    # plt.axis(‘square’) 作图为正方形，并且x,y轴范围相同
    # plt.axis(‘equal’) x,y轴刻度等长
    # plt.axis(‘off’) 关闭坐标轴
    # plt.axis([a, b, c, d]) 设置x轴的范围为[a, b]，y轴的范围为[c, d]
    plt.imshow(img.squeeze(), cmap="gray")
    # 原始的img.shape为（H，W，1），squeeze()函数的功能是：从矩阵shape中，去掉维度为1的。
plt.show()

用 DataLoaders 准备你的数据进行训练

Dataset 每次加载一组我们数据集的特征和标签样本。在训练一个模型时，我们通常希望以 “小批量” 的方式传递样本，在每个训练周期重新打乱数据以减少模型的过拟合，并使用 Python 的 multiprocessing 来加快数据的加载速度。

DataLoader 是一个可迭代的对象，它用一个简单的API为我们抽象出这种复杂性。

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)
# shuffle=True 参数表示在每个训练周期（epoch）开始时是否对训练数据进行洗牌（随机重排）操作

遍历 DataLoader

我们已经将该数据集加载到 DataLoader 中，并可以根据需要迭代该数据集。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，在我们遍历所有批次后，数据会被打乱(为了更精细地控制数据加载顺序)。

# 显示图像和标签。
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}")

整体训练代码

import torch
from torch.utils.data import Dataset
from torch.utils.data import DataLoader
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()
)

labels_map = {
    0: "T-Shirt",
    1: "Trouser",
    2: "Pullover",
    3: "Dress",
    4: "Coat",
    5: "Sandal",
    6: "Shirt",
    7: "Sneaker",
    8: "Bag",
    9: "Ankle Boot",
}

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

# 显示图像和标签。
train_features, train_labels = next(iter(train_dataloader))
# iter(train_dataloader) 将 train_dataloader 转换为一个迭代器对象，可以通过 next 函数逐一获取 DataLoader 中的数据。因此，next(iter(train_dataloader)) 将返回一个包含一个 batch 数据的元组。
# 具体来说，next 函数会从 train_dataloader 中获取下一个 batch 的数据，并将其转换为一个元组 (batch_data, batch_labels)，其中 batch_data 是一个张量（tensor），形状为 [batch_size, input_size]，表示一个 batch 中所有样本的输入特征；batch_labels 也是一个张量，形状为 [batch_size, output_size]，表示一个 batch 中所有样本的输出标签

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}")

运行结果：