Pytorch加载数据集的方式总结

在用Pytorch加载数据集时，看GitHub上的代码经常会用到ImageFolder、DataLoader等一系列方法，而这些方法又是来自于torchvision、torch.utils.data。除加载数据集外，还有torchvision中的transforms对数据集预处理…等等等等。这个data，那个dataset…这一系列下来，不加注意的话实在有点打脑壳。看别人的代码加载数据集挺简单，但是自己用的时候，尤其是加载自己所制作的数据集的时候，就会茫然无措。别无他法，抱着硬啃的心态，查阅了其他博文，通过代码实验，终于是理清楚了思路。

Pytorch加载数据集可以分两种大的情况：一、自己重写定义； 二、用Pytorch自带的类。第二种里面又有多种不同的方法（datasets、 ImageFolder等），但这些方法都有相同的处理规律。我理解的，无论是哪种情况，加载数据集都需要构造数据加载器和数据装载器（后者生成的是可迭代的数据）。现将这两种情况一一说明。

一、自己重写定义（Dataset、DataLoader）

目前我们有自己制作的数据以及数据标签，但是有时候感觉不太适合直接用Pytorch自带加载数据集的方法。我们可以自己来重写定义一个类，这个类继承于 torch.utils.data.Dataset，同时我们需要重写这个类里面的两个方法 _ getitem__ () 和__ len()__函数。

如下所示。这两种方法如何构造以及具体的细节可以查看其他的博客。len方法必须返回数据的长度，getitem方法必须返回数据以及标签。

import torch
import numpy as np

# 定义GetLoader类，继承Dataset方法，并重写__getitem__()和__len__()方法
class GetLoader(torch.utils.data.Dataset):
	# 初始化函数，得到数据
    def __init__(self, data_root, data_label):
        self.data = data_root
        self.label = data_label
    # index是根据batchsize划分数据后得到的索引，最后将data和对应的labels进行一起返回
    def __getitem__(self, index):
        data = self.data[index]
        labels = self.label[index]
        return data, labels
    # 该函数返回数据大小长度，目的是DataLoader方便划分，如果不知道大小，DataLoader会一脸懵逼
    def __len__(self):
        return len(self.data)

# 随机生成数据，大小为10 * 20列
source_data = np.random.rand(10, 20)
# 随机生成标签，大小为10 * 1列
source_label = np.random.randint(0,2,(10, 1))
# 通过GetLoader将数据进行加载，返回Dataset对象，包含data和labels
torch_data = GetLoader(source_data, source_label)

通过上述的程序，我们构造了一个数据加载器torch_data，但是还是不能直接传入网络中。接下来需要构造数据装载器，产生可迭代的数据，再传入网络中。DataLoader类完成这个工作。

torch.utils.data.DataLoader(dataset,batch_size,shuffle,drop_last，num_workers)

参数解释：

1.dataset     : 加载torch.utils.data.Dataset对象数据
2.batch_size  : 每个batch的大小,将我们的数据分批输入到网络中
3.shuffle     : 是否对数据进行打乱
4.drop_last   : 是否对无法整除的最后一个datasize进行丢弃
5.num_workers : 表示加载的时候子进程数

结合我们自己定义的加载数据集类，可以如下使用。后面将data和label传入我们定义的模型中。

...
torch_data = GetLoader(source_data, source_label)

from torch.utils.data import DataLoader
datas = DataLoader(torch_data, batch_size = 4, shuffle = True, drop_last = False, num_workers = 2)
for i, (data, label) in enumerate(datas):
	# i表示第几个batch， data表示batch_size个原始的数据，label代表batch_size个数据的标签
    print("第 {} 个Batch \n{}".format(i, data))

二、用Pytorch自带的类（ImageFolder、datasets、DataLoader）

2.1 加载自己的数据集

2.1.1 ImageFolder介绍

和第一种情况不一样，我们不需要在代码上自己定义数据集类了，而是将数据集按照一定的格式摆放，调用ImageFolder类即可。这种是在调用Pytorch内部的API，所以我们自己的数据集得需要按照API内部所规定的存放格式。torchvision.datasets.ImageFolder 要求数据集按照如下方式组织。根目录 root 下存储的是类别文件夹（如cat，dog），每个类别文件夹下存储相应类别的图像（如xxx.png）

A generic data loader where the images are arranged in this way:

        root/dog/xxx.png
        root/dog/xxy.png
        root/dog/xxz.png

        root/cat/123.png
        root/cat/nsdf3.png
        root/cat/asd932_.png

torchvision.datasets.ImageFolder有以下参数：

dataset=torchvision.datasets.ImageFolder(
                       root, transform=None, 
                       target_transform=None, 
                       loader=<function default_loader>, 
                       is_valid_file=None)

参数解释：

1.root：根目录，在root目录下，应该有不同类别的子文件夹；
    |--data(root)
        |--train
            |--cat
            |--dog
        |--valid
            |--cat
            |--dog        
2.transform：对图片进行预处理的操作，原始图像作为一个输入，返回的是transform变换后的图片；
3.target_transform：对图片类别进行预处理的操作，输入为 target，输出对其的转换。 如果不传该参数，即对target不做任何转换，返回的顺序索引 0,1, 2…
4.loader：表示数据集加载方式，通常默认加载方式即可；
5.is_valid_file：获取图像文件的路径并检查该文件是否为有效文件的函数(用于检查损坏文件)

作为torchvision.datasets.ImageFolder的返回，会有以下三种属性：

（1）self.classes：用一个 list 保存类别名称

（2）self.class_to_idx：类别对应的索引，与不做任何转换返回的 target 对应

（3）self.imgs：保存(img_path, class) tuple的list

以猫狗类别举例，各属性输出如下所示:

print(dataset.classes)  #根据分的文件夹的名字来确定的类别
print(dataset.class_to_idx) #按顺序为这些类别定义索引为0,1...
print(dataset.imgs) #返回从所有文件夹中得到的图片的路径以及其类别
'''
输出：
['cat', 'dog']
{'cat': 0, 'dog': 1}
[('./data/train\\cat\\1.jpg', 0), 
 ('./data/train\\cat\\2.jpg', 0), 
 ('./data/train\\dog\\1.jpg', 1), 
 ('./data/train\\dog\\2.jpg', 1)]
'''

2.2.2 ImageFolder加载数据集完整例子

# 1.导入相关数据库
import os
import sys
import json
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import transforms, datasets

# 2.定义图片转换方式
train_transforms = torchvision.transforms.Compose([
	transforms.RandomResizedCrop(400),
	transforms.ToTensor()
])

# 3. 定义地址
path = os.path.join(os.getcwd(), 'data', 'train')

# 4. 将文件夹数据导入
dataset = ImageFolder(root=path, transform=train_transforms)

和第一种情况自己重写定义一样，上述的代码仅仅完成了数据加载器的定义。这样是不能直接传入网络中进行训练的，需要再构造一个可迭代的数据装载器。DataLoader类的使用方式上文中有详细介绍。

# 5. 将文件夹数据导入
train_loader = torch.utils.data.DataLoader(dataset,
                                           batch_size = batch_size, shuffle=True,
                                           num_workers = 2)
# 6. 传入网络进行训练
for epoch in range(epochs):
    train_bar = tqdm(train_loader, file = sys.stdout)
    for step, data in enumerate(train_bar):
    ...

2.2 加载常见的数据集

有些数据集是公共的，比如常见的MNIST，CIFAR10，SVHN等等。这些数据集在Pytorch中可以通过代码就可以下载、加载。如下代码所示。用torchvision中的datasets类下载数据集，并还是结合DataLoader来构建可直接传入网络的数据装载器。

from torch.utils.data import DataLoader
from torchvision import datasets, transforms

def dataloader(dataset, input_size, batch_size, split='train'):
    transform = transforms.Compose([
        					transforms.Resize((input_size, input_size)), 
       					    transforms.ToTensor(), 
        					transforms.Normalize(mean=[0.5], std=[0.5])
    ])
    if dataset == 'mnist':
        data_loader = DataLoader(
            datasets.MNIST('data/mnist', train=True, download=True, transform=transform),
            batch_size=batch_size, shuffle=True)
    elif dataset == 'fashion-mnist':
        data_loader = DataLoader(
            datasets.FashionMNIST('data/fashion-mnist', train=True, download=True, transform=transform),
            batch_size=batch_size, shuffle=True)
    elif dataset == 'cifar10':
        data_loader = DataLoader(
            datasets.CIFAR10('data/cifar10', train=True, download=True, transform=transform),
            batch_size=batch_size, shuffle=True)
    elif dataset == 'svhn':
        data_loader = DataLoader(
            datasets.SVHN('data/svhn', split=split, download=True, transform=transform),
            batch_size=batch_size, shuffle=True)
    elif dataset == 'stl10':
        data_loader = DataLoader(
            datasets.STL10('data/stl10', split=split, download=True, transform=transform),
            batch_size=batch_size, shuffle=True)
    elif dataset == 'lsun-bed':
        data_loader = DataLoader(
            datasets.LSUN('data/lsun', classes=['bedroom_train'], transform=transform),
            batch_size=batch_size, shuffle=True)

    return data_loader

三、总结

至于觉得加载数据集比较难的很大的原因，我感觉是Dataset、datasets、DataLoader以及torch.utils.data、torchvision种类太多，有点混乱。上面的梳理，我的理解是无论是哪种方式，终端还是需要DataLoader整合。作为加载数据集的前端，用自己定义的、用ImageFolder的、还是用datasets加载常用数据集，都是在构造数据加载器，而且构造起来也并不复杂。梳理清晰后，相信对Pytorch加载数据集有了更进一步的理解。

四、transforms变换讲解

torchvision.transforms是Pytorch中的图像预处理包。一般定义在加载数据集之前，用transforms中的Compose类把多个步骤整合到一起，而这些步骤是transforms中的函数。

transforms中的函数有这些：

函数	含义
transforms.Resize	把给定的图片resize到given size
transforms.Normalize	用均值和标准差归一化张量图像
transforms.Totensor	可以将PIL和numpy格式的数据从[0,255]范围转换到[0,1] ; transforms.ToTensor()后shape会变为（C x H x W）
transforms.RandomGrayscale	将图像以一定的概率转换为灰度图像
transforms.ColorJitter	随机改变图像的亮度对比度和饱和度
transforms.Centercrop	在图片的中间区域进行裁剪
transforms.RandomCrop	在一个随机的位置进行裁剪
transforms.FiceCrop	把图像裁剪为四个角和一个中心
transforms.RandomResizedCrop	将PIL图像裁剪成任意大小和纵横比
transforms.ToPILImage	convert a tensor to PIL image
transforms.RandomHorizontalFlip	以0.5的概率水平翻转给定的PIL图像
transforms.RandomVerticalFlip	以0.5的概率竖直翻转给定的PIL图像
transforms.Grayscale	将图像转换为灰度图像

不同函数对应有不同的属性，用transforms.Compose将不同的操作整合在一起，如下所示。

transforms.Compose([transforms.RandomResizedCrop(224),
 		    	   transforms.RandomHorizontalFlip(),
                    transforms.ToTensor(),
                    transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])

五、DataLoader的补充

数据加载器，结合了数据集和取样器，并且可以提供多个线程处理数据集。

在训练模型时使用到此函数，用来把训练数据分成多个小组，此函数每次抛出一组数据。直至把所有的数据都抛出。就是做一个数据的初始化。

用下面的例子测试：

"""
    批训练，把数据变成一小批一小批数据进行训练。
    DataLoader就是用来包装所使用的数据，每次抛出一批数据
"""
import torch
import torch.utils.data as Data

BATCH_SIZE = 5

x = torch.linspace(1, 10, 10)
y = torch.linspace(10, 1, 10)
# 把数据放在数据库中
torch_dataset = Data.TensorDataset(x, y)
loader = Data.DataLoader(
    # 从数据库中每次抽出batch size个样本
    dataset=torch_dataset,
    batch_size=BATCH_SIZE,
    shuffle=True,
    num_workers=2,
)

def show_batch():
    for epoch in range(3):
        for step, (batch_x, batch_y) in enumerate(loader):
            # training
            print("steop:{}, batch_x:{}, batch_y:{}".format(step, batch_x, batch_y))

if __name__ == '__main__':
    show_batch()

结果如下所示。仔细观察：

每一个step，batch_x是不会重合的，batch_y里面的值也是不会重合的（第一个step中，batch_x:tensor([ 3., 10., 6., 2., 8.])；第二个step中batch_x:tensor([5., 9., 7., 4., 1.])），说明DataLoader将数据打乱后，每次选用其中的Batch_size个数据且不会重复；

其二，batch_x 和 batch_y对应的索引之和相等，这说明DataLoader对图像和标签打乱顺序时，同时按照某一规律打乱，并不会造成标签和图像出现不对应的情况。

其三，在不同的epoch之间，每次数据也是不同的，说明DataLoader每次被调用时，都会重新打乱一次。

steop:0, batch_x:tensor([ 3., 10.,  6.,  2.,  8.]), batch_y:tensor([8., 1., 5., 9., 3.])
steop:1, batch_x:tensor([5., 9., 7., 4., 1.]), batch_y:tensor([ 6.,  2.,  4.,  7., 10.])
steop:0, batch_x:tensor([8., 3., 1., 2., 9.]), batch_y:tensor([ 3.,  8., 10.,  9.,  2.])
steop:1, batch_x:tensor([10., 5.,  4.,  7.,  6.]), batch_y:tensor([1., 6., 7., 4., 5.])
steop:0, batch_x:tensor([5., 8., 4., 3., 7.]), batch_y:tensor([6., 3., 7., 8., 4.])
steop:1, batch_x:tensor([ 2., 10.,  6.,  9.,  1.]), batch_y:tensor([ 9.,  1.,  5.,  2., 10.])