Pytorch技法：继承Subset类完成自定义数据拆分

我们在《torch.utils.data.DataLoader与迭代器转换》中介绍了如何使用Pytorch内置的数据集进行论文实现，如torchvision.datasets。下面是加载内置训练数据集的常见操作：

from torchvision.datasets import FashionMNISTfrom torchvision.transforms import Compose, ToTensor, NormalizeRAW_DATA_PATH = './rawdata'transform = Compose(        [ToTensor(),         Normalize((0.1307,), (0.3081,))         ]    )train_data = FashionMNIST(        root=RAW_DATA_PATH,        download=True,        train=True,        transform=transform    )

这里的train_data做为dataset对象，它拥有许多熟悉，我们可以通过以下方法获取样本数据的分类类别集合、样本的特征维度、样本的标签集合等信息。

classes = train_data.classesnum_features = train_data.data[0].shape[0]train_labels = train_data.targetsprint(classes)print(num_features)print(train_labels)

输出如下:

['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']28tensor([9, 0, 0,  ..., 3, 0, 5])

但是，我们常常会在训练集的基础上拆分出验证集（或者只用部分数据来进行训练）。我们想到的第一个方法是使用torch.utils.data.random_split对dataset进行划分，下面我们假设划分10000个样本做为训练集，其余样本做为验证集：

from torch.utils.data import random_splitk = 10000train_data, valid_data = random_split(train_data, [k, len(train_data)-k])

注意我们如果打印train_data和valid_data的类型，可以看到显示：

<class 'torch.utils.data.dataset.Subset'>

已经不再是torchvision.datasets.mnist.FashionMNIST对象，而是一个所谓的Subset对象！此时Subset对象虽然仍然还存有data属性，但是内置的target和classes属性已经不复存在，比如如果我们强行访问valid_data的target属性：

valid_target = valid_data.target

就会报如下错误：

'Subset' object has no attribute 'target'

但如果我们在后续的代码中常常会将拆分后的数据集也默认为dataset对象，那么该如何做到代码的一致性呢？

这里有一个trick，那就是以继承SubSet类的方式的方式定义一个新的CustomSubSet类，使新类在保持SubSet类的基本属性的基础上，拥有和原本数据集类相似的属性，如targets和classes等:

from torch.utils.data import Subsetclass CustomSubset(Subset):    '''A custom subset class'''    def __init__(self, dataset, indices):        super().__init__(dataset, indices)        self.targets = dataset.targets # 保留targets属性        self.classes = dataset.classes # 保留classes属性    def __getitem__(self, idx): #同时支持索引访问操作        x, y = self.dataset[self.indices[idx]]              return x, y     def __len__(self): # 同时支持取长度操作        return len(self.indices)

然后就引出了第二种划分方法，即通过初始化CustomSubset对象的方式直接对数据集进行划分（这里为了简化省略了shuffle的步骤）：

import numpy as npfrom copy import deepcopyorigin_data = deepcopy(train_data)train_data = CustomSubset(origin_data, np.arange(k))valid_data = CustomSubset(origin_data, np.arange(k, len(origin_data))-k)

注意，CustomSubset类的初始化方法的第二个参数indices为样本索引，我们可以通过np.arange()的方法来创建。

然后，我们再访问valid_data对应的classes和targes属性：

print(valid_data.classes)print(valid_data.targets)

此时，我们发现可以成功访问这些属性了：

['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']tensor([9, 0, 0,  ..., 3, 0, 5])

当然，CustomSubset的作用并不只是添加数据集的属性，我们还可以自定义一些数据预处理操作。我们将类的结构修改如下：

class CustomSubset(Subset):    '''A custom subset class with customizable data transformation'''    def __init__(self, dataset, indices, subset_transform=None):        super().__init__(dataset, indices)        self.targets = dataset.targets        self.classes = dataset.classes        self.subset_transform = subset_transform    def __getitem__(self, idx):        x, y = self.dataset[self.indices[idx]]                if self.subset_transform:            x = self.subset_transform(x)              return x, y           def __len__(self):         return len(self.indices)

我们可以在使用样本前设置好数据预处理算子:

from torchvision import transformsvalid_data.subset_transform = transforms.Compose(\    [transforms.RandomRotation((180,180))])

这样，我们再像下列这样用索引访问取出数据集样本时，就会自动调用算子完成预处理操作:

print(valid_data[0])

打印结果缩略如下：

(tensor([[[-0.4242, -0.4242, -0.4242, ......-0.4242, -0.4242, -0.4242, -0.4242, -0.4242]]]), 9)

引用

• [1] https://pytorch.org/docs/stable/data.html?highlight=random_split#torch.utils.data.random_split
• [2] https://pytorch.org/docs/stable/data.html?highlight=subset#torch.utils.data.Subset