PyTorch介绍|DATSETS&DATALOADERS

用于处理数据样本的代码可能会变得凌乱且难以维护；理想情况下，我们希望数据集代码和模型训练代码解耦（分离），以获得更好的可读性和模块性。PyTorch提供了两个data primitives：torch.utils.data.DataLoader 和 torch.utils.data.Dataset，允许你使用预加载的datasets和你自己的data。Dataset 存储样本及其对应的标签，DataLoader 给 Dataset 包装了一个迭代器，以便访问样本。

PyTorch库提供了一些预加载的数据集（如FashionMNIST），它们是 torch.utils.data.Dataset 的子类，特定的数据对应特定的实现函数。它们可以用来原型化和基准化你的模型。你可以在这里查看它们：Image Datasets, Text Datasets, and Audio Datasets。

加载数据集

这是一个怎样从TorchVision加载Fashion-MNIST数据集的例子。Fashion-MNIST来自于Zalando的文章，由60000张训练样本和10000张测试样本组成。每一个样本包含一个28x28
的灰度图片和对应的10类中的1个类的标签。

我们用以下参数加载FashionMNIST Dataset

• root 是训练/测试数据的保存路径
• train 指定是训练集还是测试集
• download=True 如果 root 中没有，则从网上下载
• transform 和 target_transform 指定样本的变换

import torchfrom torch.utils.data import Datasetfrom torchvision import datasetsfrom torchvision.transforms import ToTensorimport matplotlib.pyplot as plttraining_data = datasets.FashionMNIST(    root='data',    train=True,    download=True,    transform=ToTensor())test_data = datasets.FashionMNIST(    root='data',    train=False,    download=True    transform=ToTensor())

输出：

点击查看代码

Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gzDownloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz to data/FashionMNIST/raw/train-images-idx3-ubyte.gzExtracting data/FashionMNIST/raw/train-images-idx3-ubyte.gz to data/FashionMNIST/rawDownloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gzDownloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gz to data/FashionMNIST/raw/train-labels-idx1-ubyte.gzExtracting data/FashionMNIST/raw/train-labels-idx1-ubyte.gz to data/FashionMNIST/rawDownloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gzDownloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gz to data/FashionMNIST/raw/t10k-images-idx3-ubyte.gzExtracting data/FashionMNIST/raw/t10k-images-idx3-ubyte.gz to data/FashionMNIST/rawDownloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gzDownloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gzExtracting data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw

迭代和数据集可视化

我们可以像list一样索引Datasets：training_data[index]。使用 matplotlib 可视化一些训练集的样本。

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, 3for 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")    # torch.squeeze():删除维数为1的维度    plt.imshow(img.squeeze(), cmap="gray")plt.show()

创建自定义数据集

一个自定义的数据集类必须实现三个函数：init,len,getitem。查看下面的实现过程，FashionMNIST图片保存在 img_dir，它们的标签分别保存在一个CSV文件（逗号分隔值文件） annotations_file 中。

下一节，我们将分解每个函数做了什么的。

import osimport pandas as pdfrom torchvision.io import read_imageclass CustomImageDataset(Dataset):    def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):        # 利用pandas读取csv并转换为DataFrame        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

init

一旦实例化Datase对象，函数__init__ 就会立即运行：初始化包含图片的目录，标签文件，以及两个转换（下一节有更详细的介绍）

labels.csv类似这样：

tshirt1.jpg, 0tshirt2.jpg, 0...anleboot999.jpg, 9

def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):    # 这里指定了列名    self.img_labels = pd.read_csv(annotations_file, names=['file_name', 'labels'])    self.img_dir = img_dir    self.transform = transform    self.target_transform = target_transform

len

__len__ 函数返回数据集的样本数

例如：

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

getitem

__getitem__函数加载和返回数据集中给定索引 idx 的样本。根据索引，它获得了硬盘上图片的位置，利用 read_image 转换为tensor，在 self.img_labels ，从csv中检索相应的标签，并调用转换函数（如果可用），返回一个包含图片和对应标签张量的元组。

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

利用DataLoader为训练准备你的数据

Dataset只能同时检索一个样本的数据特征和标签。当训练模型时，通常需要传递“minibatches”样本，每一个epoch重复打乱数据减少过拟合，并使用Python的 multiprocessing 加速数据检索。

DataLoader 是一个迭代器。

from torch.utils.data import DataLoadertrain_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)

通过DataLoader迭代

我们已经将该数据集加载到 DataLoader，根据需要可以对数据集进行迭代。每次迭代返回一个 train_features 和 train_labels 的batch（分别包含 batch_size=64的特征和标签）。因为我们指定了 shuffle=True， 在我们迭代完所有的batch之后，数据就会被打乱（为了对数据加载顺序进行更细致的控制，参阅Samplers）

# 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}")

输出：

Feature batch shape: torch.Size([64, 1, 28, 28])Labels batch shape: torch.Size([64])Label: 7

延伸阅读

• torch.utils.data API