[官网] Datasets & DataLoaders

Pytorch提供两种数据原件：torch.utils.data.Dataset和torch.utils.data.Dataset。允许预加载数据集或者自定义数据。

Dataset存储样本数据和其对应的标签。DataLoader包装一个围绕能轻易访问样本数据的Dataset的可迭代对象。

pytorch领域库提供许多预加载的继承torch.utils.data.Dataset数据集，并且对特定数据实现的功能。

加载数据集

Fashion-MNIST数据集是torchvision里面的，Fashion-MNIST是一个由60000张训练图和10000张测试图组成的数据集。每张图是10个大类之一，包括28X28像素的灰阶图和关联标签。

加载数据集所需参数

• root：train/test数据存放的路径
• train：是否训练数据集
• download：是否从网络下载数据集
• transform：处理特征图片的方法
• target_transform：处理标签的方法

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()
)

迭代和可视化数据集

像访问list一样访问Datasets：training_data[index]，利用matplotlib可视化一些训练数据。

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()

创建一个自定义数据集

一个自定义数据集必须要实现三个函数：__init__，__len__和__getitem__。

FashionMNIST图片是存储在一个img_dir目录中，而对应的标签则是存储在名为annotaions_file的CSV文件中。

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__函数

__init__函数当初始化数据集对象时运行一次，初始化含有图片的目录，注释文件，和两个transforms

 __len__函数

__len__函数返回在数据集中样本数量

__getitem__函数

__getitem__函数根据一个index参数加载和返回数据集中对应的样本数据。基于index，能识别在硬盘上的图片的位置，使用read_image转换为一个tensor，通过self.img_labels获取在csv数据中对应的标签，如果需要的话调用transform函数，返回一个元组，包含tensor图片和对应的标签。

使用DataLoaders为训练准备数据

Dataset在某一时间能获取一个样本数据的特征和标签。训练一个模型时，一般每一epoch传递小批量数据，重新打乱数据来减少模型过拟合，和使用多进程来加速数据获取。

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)

通过DataLoader迭代

把数据集加载到DataLoader中并且迭代数据集，每次迭代都会返回一批train_features和train_labels（包含64特征和对应的标签）。

# Display image and label.
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}")