pytorch笔记5-数据读取机制DataLoader

简介

$pytorch$的数据读取机制$DataLoader$包括两个子模块：$Sampler$模块、主要生成索引$index$，$DataSet$模块，主要根据索引读取数据，$Dataset$类是一个抽象类，其可以用来表示数据集，我们通过继承$Dataset$类来自定义数据集格式、大小和其它属性。后面都可以供$DataLoader$类直接使用。
在实际项目中，如果数据量很大，考虑到内存有限，I/O速度等问题，在训练过程中不可能一次性的将所有数据全部加载到内存中，也不能只用一个进程去加载，所以都需要多进程，迭代加载。而$DataLoader$都是基于这些需要被设计出来的，$DataLoader$是一个迭代器，最基本的使用方法都是传入一个$Dataset$对象，其会根据参数$batc{h}_{s}ize$值生成一个batch数据，节省内存的同时，还可以实现多进程、数据打乱等处理。

torch.utils.data.Dataset
class Dataset(object):
    def __getitem__(self, index):
        raise NotImplementedError

$Dataset$是用来解决数据从哪里读取以及如何读取的问题，$pytorch$给定的$Dataset$是一个抽象类，所有自定义的$Dataset$都需要继承它，并且复写__getitem__和__len__()l类的方法，getitem()作用接受一个索引，返回一个样本或者标签，下面通过一个实例构造一个数据集：

import torch
from torch.utils.data import Dataset

class MyDataset(Dataset):
    # 构造函数
    def __init__(self, data_tensor, target_tensor):
        self.data_tensor = data_tensor
        self.target_tensor = target_tensor
    # 返回数据集大小
    def __len__(self):
        return self.data_tensor.size(0)
    # 返回索引的数据与标签
    def __getitem__(self, index):
        return self.data_tensor[index], self.target_tensor[index]

结合代码可以看到，我们定义了一个名字为$MyDataset$的数据集，在构造函数中，传入$Tensor$类型的数据和标签，在KaTeX parse error: Expected group after '_' at position 1: _̲_len__函数中，直接返回$Tensor$大小，在KaTeX parse error: Expected group after '_' at position 1: _̲_getitem__函数中返回索引的数据和标签。

接下来，我们看如何调用刚才定义的数据集，先随机生成一个 10*3 维的数据 Tensor，然后生成 10 维的标签 Tensor，与数据 Tensor 相对应。利用这两个 Tensor，生成一个 MyDataset 的对象。查看数据集的大小可以直接用 len() 函数，索引调用数据可以直接使用下标。

# 生成数据
data_tensor = torch.randn(10, 3)
target_tensor = torch.randint(2, (10,)) # 标签是0或1

# 将数据封装成Dataset
my_dataset = MyDataset(data_tensor, target_tensor)

# 查看数据集大小
print('Dataset size:', len(my_dataset))
'''
输出：
Dataset size: 10
'''

# 使用索引调用数据
print('tensor_data[0]: ', my_dataset[0])
'''
输出:
tensor_data[0]:  (tensor([ 0.4931, -0.0697,  0.4171]), tensor(0))

$DataLoader$的功能构建可迭代的数据装载器，在训练的时候，每一个for循环，每一次$lteration$ 就是从$Dataset$中获取一个$batc{h}_{s}ize$大小的数据：

torch.utils.data.DataLoader
DataLoader(dataset,batch_size=1,shuffle=False,sampler=None,batch_sampler=None,num_workers=0,collate_fn=None,
pin_memory=False,drop_last=False,timeout=0,worker_init_fn=None,multiprocessing_context=None)

DataLoader有很多参数，但常用的有下面五个:

• dataset表示Dataset类，它决定了数据从哪读取以及如何读取；
• batch_size表示批大小；
• num_works表示是否多进程读取数据；
• shuffle表示每个epoch是否乱序；
• drop_last表示当样本数不能被batch_size整除时，是否舍弃最后一批数据；
  这里提到了$epoch$，所有训练样本都已输入模型之中，称为一个$Epoch$，也就是说将样本都训练一遍，称为一个$epoch$，一批样本输入到模型中，这样称为一个$lteration$，决定了一个$Epoch$有多少个$lteration$，为批次大小的$Batchsize$。

流程图。

通过下面留程图，我们认识下数据读取机制。

总结

慢慢的将数据读取机制，全部都将其搞清楚，研究彻底，