【pytorch学习笔记】Datasets and Dataloaders

为什么要单独设置Dataloaders

pytorch希望将数据集代码与模型训练代码分离，以此获得更好的可读性和模块化。pytorch提供两个接口函数:torch.utils.data.Dataloader 和 torch.utils.data.Dataset.加载自己的数据集和pytorch内置数据集。

加载数据集

下面演示从torchvision加载fashion-mnist数据集的示例，代码如下：

import torch
from torch.utils.data import  Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plt

training_data = datasets.FashionMNIST(
    root = 'data', # root是存储训练/测试数据的路径
    train = True, # 指定训练或测试
    download=True, # 如果数据不可用，则从网上下载数据到root
    transform=ToTensor()
)

test_data = datasets.FashionMNIST(
    root = 'data',
    train = False,
    download=True,
    transform=ToTensor()
)

迭代和可视化数据集

我们可以让Datasets像列表一样手动索引，可视化代码如下：

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, 3
for 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")
    plt.imshow(img.squeeze(), cmap="gray")
plt.show()

创建自定义数据集

自定义dataset类必须实现三个函数，_init、len__和__getitem。将fashionmnist图像存储在一个目录img_dir，它们标签分别存储在一个CSV文件中。代码如下：

import os
import pandas as pd
from torchvision.io import read_image

class CustomImageDataset(Dataset):
    def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
    # 初始化
        self.img_labels = pd.read_csv(annotations_file) #读取图片标签
        self.img_dir = img_dir  # 图片路径
        self.transform = transform  # 图片增强字段
        self.target_transform = target_transform # 标签增强字段

    def __len__(self):
    #返回数据集样本数
        return len(self.img_labels) #

    def __getitem__(self, idx):
    # 读取单个样本并调用图片变换函数，将变换后的函数返回
        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

使用DataLoaders为训练准备数据

在训练模型时，通常时mini-batch来训练，在每个epoch重新洗牌以减少模型过度拟合，并使用python multiprocessing加速数据检索。dataloader是一个可迭代对象：

from torch.utils.data import DataLoader

train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)

遍历DataLoader

已将数据集加载到DataLoader可以根据需要遍历数据集，下面每次迭代都会返回64个图像和标签。

# Display image and label.
train_features, train_labels = next(iter(train_dataloader)) # 64个图像和标签数据
print(f"Feature batch shape: {
      train_features.size()}")
print(f"Labels batch shape: {
      train_labels.size()}")
img = train_features[0].squeeze()# 选出第一个图像，并将batch维度压缩
label = train_labels[0]
plt.imshow(img, cmap="gray")
plt.show()
print(f"Label: {
      label}")