重點在第二部分的構建數據通道和第三部分的加載數據集

Pytorch通常使用Dataset和DataLoader這兩個工具類來構建數據管道。

Dataset定義了數據集的內容，它相當于一個類似列表的數據結構，具有確定的長度，能夠用索引獲取數據集中的元素。

而DataLoader定義了按batch加載數據集的方法，它是一個實現了__iter__方法的可迭代對象，每次迭代輸出一個batch的數據。

DataLoader能夠控制batch的大小，batch中元素的采樣方法，以及將batch結果整理成模型所需輸入形式的方法，并且能夠使用多進程讀取數據。

在絕大部分情況下，用戶只需實現Dataset的__len__方法和__getitem__方法，就可以輕松構建自己的數據集，并用默認數據管道進行加載。

一，Dataset和DataLoader概述

1，獲取一個batch數據的步驟

讓我們考慮一下從一個數據集中獲取一個batch的數據需要哪些步驟。

(假定數據集的特征和標簽分別表示為張量X和Y，數據集可以表示為(X,Y), 假定batch大小為m)

1，首先我們要確定數據集的長度n。

結果類似：n = 1000。

2，然后我們從0到n-1的范圍中抽樣出m個數(batch大小)。

假定m=4, 拿到的結果是一個列表，類似：indices = [1,4,8,9]

3，接著我們從數據集中去取這m個數對應下標的元素。

拿到的結果是一個元組列表，類似：samples = [(X[1],Y[1]),(X[4],Y[4]),(X[8],Y[8]),(X[9],Y[9])]

4，最后我們將結果整理成兩個張量作為輸出。

拿到的結果是兩個張量，類似batch = (features,labels)，

其中 features = torch.stack([X[1],X[4],X[8],X[9]])

labels = torch.stack([Y[1],Y[4],Y[8],Y[9]])

2，Dataset和DataLoader的功能分工

上述第1個步驟確定數據集的長度是由 Dataset的__len__ 方法實現的。

第2個步驟從0到n-1的范圍中抽樣出m個數的方法是由 DataLoader的 sampler和 batch_sampler參數指定的。

sampler參數指定單個元素抽樣方法，一般無需用戶設置，程序默認在DataLoader的參數shuffle=True時采用隨機抽樣，shuffle=False時采用順序抽樣。

batch_sampler參數將多個抽樣的元素整理成一個列表，一般無需用戶設置，默認方法在DataLoader的參數drop_last=True時會丟棄數據集最后一個長度不能被batch大小整除的批次，在drop_last=False時保留最后一個批次。

第3個步驟的核心邏輯根據下標取數據集中的元素 是由 Dataset的 __getitem__方法實現的。

第4個步驟的邏輯由DataLoader的參數collate_fn指定。一般情況下也無需用戶設置。

3，Dataset和DataLoader的主要接口

偽代碼，實際應用意義不大

import torch 
class Dataset(object):def __init__(self):passdef __len__(self):raise NotImplementedErrordef __getitem__(self,index):raise NotImplementedErrorclass DataLoader(object):def __init__(self,dataset,batch_size,collate_fn,shuffle = True,drop_last = False):self.dataset = datasetself.sampler =torch.utils.data.RandomSampler if shuffle else \torch.utils.data.SequentialSamplerself.batch_sampler = torch.utils.data.BatchSamplerself.sample_iter = self.batch_sampler(self.sampler(range(len(dataset))),batch_size = batch_size,drop_last = drop_last)def __next__(self):indices = next(self.sample_iter)batch = self.collate_fn([self.dataset[i] for i in indices])return batch

二，使用Dataset創建數據集

Dataset創建數據集常用的方法有：

使用 torch.utils.data.TensorDataset 根據Tensor創建數據集(numpy的array，Pandas的DataFrame需要先轉換成Tensor)。

使用 torchvision.datasets.ImageFolder 根據圖片目錄創建圖片數據集。

繼承 torch.utils.data.Dataset 創建自定義數據集。

此外，還可以通過

torch.utils.data.random_split 將一個數據集分割成多份，常用于分割訓練集，驗證集和測試集。

調用Dataset的加法運算符(+)將多個數據集合并成一個數據集。

1，根據Tensor創建數據集

1. 頭文件：

import numpy as np 
import torch 
from torch.utils.data import TensorDataset,Dataset,DataLoader,random_split 

2. 根據Tensor創建數據集

from sklearn import datasets 
iris = datasets.load_iris()
ds_iris = TensorDataset(torch.tensor(iris.data),torch.tensor(iris.target))

3. 分割成訓練集和預測集

n_train = int(len(ds_iris)*0.8)
n_valid = len(ds_iris) - n_train
ds_train,ds_valid = random_split(ds_iris,[n_train,n_valid])

4. 使用DataLoader加載數據集

dl_train,dl_valid = DataLoader(ds_train,batch_size = 8),DataLoader(ds_valid,batch_size = 8)#查看數據集
for features,labels in dl_train:print(features,labels)break

5. 演示加法運算符（+）的合并作用

ds_data = ds_train + ds_validprint('len(ds_train) = ',len(ds_train))
print('len(ds_valid) = ',len(ds_valid))
print('len(ds_train+ds_valid) = ',len(ds_data))print(type(ds_data))

2，根據圖片目錄創建圖片數據集

1. 頭文件：

import numpy as np 
import torch 
from torch.utils.data import DataLoader
from torchvision import transforms,datasets 

2. 圖片加載：

from PIL import Image
img = Image.open('./data/cat.jpeg')

3. 隨機數值翻轉

transforms.RandomVerticalFlip()(img)

4. 隨機旋轉

transforms.RandomRotation(45)(img)

5. 定義圖片增強操作

transform_train = transforms.Compose([transforms.RandomHorizontalFlip(), #隨機水平翻轉transforms.RandomVerticalFlip(), #隨機垂直翻轉transforms.RandomRotation(45),  #隨機在45度角度內旋轉transforms.ToTensor() #轉換成張量]
) transform_valid = transforms.Compose([transforms.ToTensor()]
)

6. 根據圖片目錄創建數據集

ds_train = datasets.ImageFolder("./data/cifar2/train/",transform = transform_train,target_transform= lambda t:torch.tensor([t]).float())
ds_valid = datasets.ImageFolder("./data/cifar2/test/",transform = transform_train,target_transform= lambda t:torch.tensor([t]).float())print(ds_train.class_to_idx)

7. 使用DataLoader加載數據集

#注意：windows用戶要把num_workers去掉，容易報錯
dl_train = DataLoader(ds_train,batch_size = 50,shuffle = True,num_workers=3)
dl_valid = DataLoader(ds_valid,batch_size = 50,shuffle = True,num_workers=3)for features,labels in dl_train:print(features.shape)print(labels.shape)break

三，使用DataLoader加載數據集

DataLoader能夠控制batch的大小，batch中元素的采樣方法，以及將batch結果整理成模型所需輸入形式的方法，并且能夠使用多進程讀取數據。

DataLoader的函數簽名

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,
)

一般情況下，我們僅僅會配置 dataset, batch_size, shuffle, num_workers, drop_last這五個參數，其他參數使用默認值即可。
dataset : 數據集
batch_size: 批次大小
shuffle: 是否亂序
sampler: 樣本采樣函數，一般無需設置。
batch_sampler: 批次采樣函數，一般無需設置。
num_workers: 使用多進程讀取數據，設置的進程數。
collate_fn: 整理一個批次數據的函數。
pin_memory: 是否設置為鎖業內存。默認為False，鎖業內存不會使用虛擬內存(硬盤)，從鎖業內存拷貝到GPU上速度會更快。
drop_last: 是否丟棄最后一個樣本數量不足batch_size批次數據。
timeout: 加載一個數據批次的最長等待時間，一般無需設置。
worker_init_fn: 每個worker中dataset的初始化函數，常用于 IterableDataset。一般不使用。

#構建輸入數據管道
ds = TensorDataset(torch.arange(1,50))
dl = DataLoader(ds,batch_size = 10,shuffle= True,num_workers=2,drop_last = True)
#迭代數據
for batch, in dl:print(batch)