【小白學PyTorch】3 淺談Dataset和Dataloader

文章目錄：

1 Dataset基類
2 構建Dataset子類
- 2.1 Init
- 2.2 getitem
3 dataloader

1 Dataset基類

PyTorch 讀取其他的數據，主要是通過 Dataset 類，所以先簡單了解一下 Dataset 類。在看很多PyTorch的程式碼的時候，也會經常看到dataset這個東西的存在。Dataset類作為所有的 datasets 的基類存在，所有的 datasets 都需要繼承它。

先看一下源碼：

這裡有一個__getitem__函數，__getitem__函數接收一個index，然後返回圖片數據和標籤，這個index通常是指一個list的index，這個list的每個元素就包含了圖片數據的路徑和標籤資訊。之後會舉例子來講解這個邏輯。

其實說著了些都沒用，因為在訓練程式碼里是感覺不到這些操作的，只會看到通過DataLoader就可以獲取一個batch的數據，這是觸發去讀取圖片這些操作的是DataLoader里的__iter__(self)（後面再講）。

2 構建Dataset子類

下面我們構建一下Dataset的子類，叫他MyDataset類：

import torch 
from torch.utils.data import Dataset,DataLoader

class MyDataset(Dataset):
    def __init__(self):
        self.data = torch.tensor([[1,2,3],[2,3,4],[3,4,5],[4,5,6]])
        self.label = torch.LongTensor([1,1,0,0])

    def __getitem__(self,index):
        return self.data[index],self.label[index]

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

2.1 Init

初始化中，一般是把數據直接保存在這個類的屬性中。像是self.data,self.label

2.2 getitem

index是一個索引，這個索引的取值範圍是要根據__len__這個返回值確定的，在上面的例子中，__len__的返回值是4，所以這個index會在0，1，2，3這個範圍內。

3 dataloader

從上文中，我們知道了MyDataset這個類中的__getitem__的返回值，應該是某一個樣本的數據和標籤（如果是測試集的dataset，那麼就只返回數據），在梯度下降的過程中，一般是需要將多個數據組成batch，這個需要我們自己來組合嗎？不需要的，所以PyTorch中存在DataLoader這個迭代器（這個名詞用的準不準確有待考究）。

繼續上面的程式碼，我們接著寫程式碼：

mydataloader = DataLoader(dataset=mydataset,
                          batch_size=1)

我們現在創建了一個DataLoader的實例，並且把之前實例化的mydataset作為參數輸入進去，並且還輸入了batch_size這個參數，現在我們使用的batch_size是1.下面來用for循環來遍歷這個dataloader：

for i,(data,label) in enumerate(mydataloader):
    print(data,label)

輸出結果是：

意料之中的結果，總共輸出了4個batch，每個batch都是只有1個樣本（數據+標籤），值得注意的是，這個輸出過程是順序的。

我們稍微修改一下上面的DataLoader的參數：

mydataloader = DataLoader(dataset=mydataset,
                          batch_size=2,
                          shuffle=True)

for i,(data,label) in enumerate(mydataloader):
    print(data,label)

結果是：

可以看到每一個batch內出現了2個樣本。假如我們再運行一遍上面的程式碼，得到：

兩次結果不同，這是因為shuffle=True,dataset中的index不再是按照順序從0到3了，而是亂序，可能是[0,1,2,3],也可能是[2,3,1,0]。

【個人感想】

Dataloader和Dataset兩個類是非常方便的，因為這個可以快速的做出來batch數據，修改batch_size和亂序都非常地方便。有下面兩個希望注意的地方：

一般標籤值應該是Long整數的，所以標籤的tensor可以用torch.LongTensor(數據)或者用.long()來轉化成Long整數的形式。
如果要使用PyTorch的GPU訓練的話，一般是先判斷cuda是否可用，然後把數據標籤都用to()放到GPU顯示記憶體上進行GPU加速。

device = 'cuda' if torch.cuda.is_available() else 'cpu'
for i,(data,label) in enumerate(mydataloader):
    data = data.to(device)
    label = label.to(device)
    print(data,label)

看一下輸出：

Tags: Python與深度學習（Pytorch）