2.3 DataSet和DataLoader
Dataset 和 DataLoader
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与模型训练代码解耦,以获得更好的可读性和模块化。PyTorch提供的torch.utils.data.DataLoader
和 torch.utils.data.Dataset
允许你使用预下载的数据集或自己制作的数据。Dataset用于存储样本及其相应的标签,而DataLoader能为数据集提供一个迭代器,以便于访问样本。
PyTorch域库提供了许多预加载的数据集(如FashionMNIST),且都是torch.utils.data.Dataset
的子类。这些数据集子类可用于对模型进行原型设计和基准测试。比如图像数据集、文本数据集和音频数据集。
加载数据集
以torchvision加载Fashion MNIST数据集为例。Fashion MNIST是Zalando文章里的图像数据集,包括60000个训练样本和10000个测试样本。每个示例包括一个28×28灰度图像(特征图)和10个类别之一的标签。
我们使用以下参数加载Fashion MNIST数据集:
root
是要存储训练/测试数据的路径train
指定数据集为训练集或测试集,download=True
表示如果在root
无法获取数据集,则从网上下载。transform
和target_transform
分别指定特征和标签数据类型变换。
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",
train=True,
download=True,
transform=ToTensor()
)
test_data = datasets.FashionMNIST(
root="data",
train=False,
download=True,
transform=ToTensor()
)
点击查看输出
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz to data/FashionMNIST/raw/train-images-idx3-ubyte.gz
0%| | 0/26421880 [00:00<?, ?it/s]
0%| | 32768/26421880 [00:00<01:28, 298418.99it/s]
0%| | 65536/26421880 [00:00<01:28, 297447.18it/s]
0%| | 131072/26421880 [00:00<01:00, 432659.27it/s]
1%| | 229376/26421880 [00:00<00:42, 613822.88it/s]
2%|1 | 491520/26421880 [00:00<00:20, 1248151.07it/s]
4%|3 | 950272/26421880 [00:00<00:11, 2235164.64it/s]
7%|7 | 1933312/26421880 [00:00<00:05, 4410751.56it/s]
15%|#4 | 3833856/26421880 [00:00<00:02, 8482675.38it/s]
26%|##6 | 6946816/26421880 [00:00<00:01, 14638531.48it/s]
38%|###8 | 10092544/26421880 [00:01<00:00, 18857562.51it/s]
50%|####9 | 13205504/26421880 [00:01<00:00, 21738321.85it/s]
62%|######1 | 16318464/26421880 [00:01<00:00, 23683108.47it/s]
73%|#######3 | 19398656/26421880 [00:01<00:00, 24943785.13it/s]
85%|########5 | 22478848/26421880 [00:01<00:00, 25818859.89it/s]
97%|#########6| 25591808/26421880 [00:01<00:00, 26519866.60it/s]
100%|##########| 26421880/26421880 [00:01<00:00, 15875212.40it/s]
Extracting data/FashionMNIST/raw/train-images-idx3-ubyte.gz to data/FashionMNIST/raw
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gz to data/FashionMNIST/raw/train-labels-idx1-ubyte.gz
0%| | 0/29515 [00:00<?, ?it/s]
100%|##########| 29515/29515 [00:00<00:00, 270949.99it/s]
100%|##########| 29515/29515 [00:00<00:00, 269555.29it/s]
Extracting data/FashionMNIST/raw/train-labels-idx1-ubyte.gz to data/FashionMNIST/raw
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gz to data/FashionMNIST/raw/t10k-images-idx3-ubyte.gz
0%| | 0/4422102 [00:00<?, ?it/s]
1%| | 32768/4422102 [00:00<00:14, 298407.97it/s]
1%|1 | 65536/4422102 [00:00<00:14, 297769.82it/s]
3%|2 | 131072/4422102 [00:00<00:09, 433162.72it/s]
5%|5 | 229376/4422102 [00:00<00:06, 614009.14it/s]
11%|#1 | 491520/4422102 [00:00<00:03, 1248619.50it/s]
21%|##1 | 950272/4422102 [00:00<00:01, 2239414.32it/s]
44%|####3 | 1933312/4422102 [00:00<00:00, 4419930.79it/s]
87%|########6 | 3833856/4422102 [00:00<00:00, 8498340.50it/s]
100%|##########| 4422102/4422102 [00:00<00:00, 5002629.78it/s]
Extracting data/FashionMNIST/raw/t10k-images-idx3-ubyte.gz to data/FashionMNIST/raw
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz
0%| | 0/5148 [00:00<?, ?it/s]
100%|##########| 5148/5148 [00:00<00:00, 28485853.55it/s]
Extracting data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw
迭代和可视化数据集
我们可以像列表一样手动索引“数据集”,形如:training_data[index]
。
我们使用matplotlib
来可视化训练数据中的一些样本。
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, 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()
输出的图像样本如下
自定义数据集
自定义数据集类必须实现三个函数:__init__
、__len__
和__getitem__
。
看看这个实现;FashionMNIST图像被存储在目录img_dir
中,它们的标签分别存储在CSV文件annotations_file
中。
在接下来的部分中,我们将对这些函数中的每一个进行分解。
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):
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__
__init__函数在实例化数据集对象时运行一次,用于初始化包含图像、注释文件和这两个转换的目录(在下一节中详细介绍)。
labels.csv文件看起来像:
tshirt1.jpg, 0
tshirt2.jpg, 0
......
ankleboot999.jpg, 9
__len__
__len__函数返回数据集中的样本数。
__getitem___
__getitem___函数从给定索引“idx”处的数据集中加载并返回一个样本。
根据索引,它识别图像在磁盘上的位置,使用“read_image”将其转换为张量,从“self.img_labels”中的csv数据中检索相应的标签,调用转换函数(如果适用),并在元组中返回张量图像和相应的标签。
准备数据以使用DataLoaders进行训练
Dataset
检索数据集的特征,并一次标记一个样本。在训练模型时,我们通常希望在minibatches
(迷你批次)中传递样本,在每个时期重新排列数据以减少模型过拟合,并使用Python的多线程来加快数据检索。DataLoader
是一个可迭代程序,它在一个简单的API中为我们抽象了这种复杂性。
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)
在DataLoader中迭代
我们已经将该数据集加载到DataLoader
中,并可以根据需要对数据集进行迭代。
下面的每个迭代都返回一批train_features
和train_labels
(分别包含batch_size=64
个特征和标签)。
因为我们指定了shuffle=True
,所以在我们迭代所有批次之后,数据会被打乱。
显示图像和标签:
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}")