Pytorch数据读取与预处理实现与探索
在炼丹时，数据的读取与预处理是关键一步。不同的模型所需要的数据以及预处理方式各不相同，如果每个轮子都我们自己写的话，是很浪费时间和精力的。Pytorch帮我们实现了方便的数据读取与预处理方法，下面记录两个DEMO，便于加快以后的代码效率。
根据数据是否一次性读取完，将DEMO分为：
1、串行式读取。也就是一次性读取完所有需要的数据到内存，模型训练时不会再访问外存。通常用在内存足够的情况下使用，速度更快。
2、并行式读取。也就是边训练边读取数据。通常用在内存不够的情况下使用，会占用计算资源，如果分配的好的话，几乎不损失速度。
Pytorch官方的数据提取方式尽管方便编码，但由于它提取数据方式比较死板，会浪费资源，下面对其进行分析。
串行式读取
DEMO代码
import torch from torch.utils.data import Dataset,DataLoader class MyDataSet(Dataset):# ————1———— def __init__(self): self.data = torch.tensor(range(10)).reshape([5,2]) self.label = torch.tensor(range(5)) def __getitem__(self, index): return self.data[index], self.label[index] def __len__(self): return len(self.data) my_data_set = MyDataSet()# ————2———— my_data_loader = DataLoader( dataset=my_data_set, # ————3———— batch_size=2, # ————4———— shuffle=True, # ————5———— sampler=None, # ————6———— batch_sampler=None, # ————7———— num_workers=0 , # ————8———— collate_fn=None, # ————9———— pin_memory=True, # ————10———— drop_last=True # ————11———— ) for i in my_data_loader: # ————12———— print(i)
注释处解释如下：
1、重写数据集类，用于保存数据。除了 __init__() 外，必须实现 __getitem__() 和 __len__() 两个方法。前一个方法用于输出索引对应的数据。后一个方法用于获取数据集的长度。
2~5、 2准备好数据集后，传入DataLoader来迭代生成数据。前三个参数分别是传入的数据集对象、每次获取的批量大小、是否打乱数据集输出。
6、采样器，如果定义这个，shuffle只能设置为False。所谓采样器就是用于生成数据索引的可迭代对象，比如列表。因此，定义了采样器，采样都按它来，shuffle再打乱就没意义了。
7、批量采样器，如果定义这个，batch_size、shuffle、sampler、drop_last都不能定义。实际上，如果没有特殊的数据生成顺序的要求，采样器并没有必要定义。torch.utils.data 中的各种 Sampler 就是采样器类，如果需要，可以使用它们来定义。
8、用于生成数据的子进程数。默认为0，不并行。
9、拼接多个样本的方法，默认是将每个batch的数据在第一维上进行拼接。这样可能说不清楚，并且由于这里可以探究一下获取数据的速度，后面再详细说明。
10、是否使用锁页内存。用的话会更快，内存不充足最好别用。
11、是否把最后小于batch的数据丢掉。
12、迭代获取数据并输出。
速度探索
首先看一下DEMO的输出：
输出了两个batch的数据，每组数据中data和label都正确排列，符合我们的预期。那么DataLoader是怎么把数据整合起来的呢？首先，我们把collate_fn定义为直接映射（不用它默认的方法），来查看看每次DataLoader从MyDataSet中读取了什么，将上面部分代码修改如下：
my_data_loader = DataLoader( dataset=my_data_set, batch_size=2, shuffle=True, sampler=None, batch_sampler=None, num_workers=0 , collate_fn=lambda x:x, #修改处 pin_memory=True, drop_last=True )
结果如下：
输出还是两个batch，然而每个batch中，单个的data和label是在一个list中的。似乎可以看出，DataLoader是一个一个读取MyDataSet中的数据的，然后再进行相应数据的拼接。为了验证这点，代码修改如下：
import torch from torch.utils.data import Dataset,DataLoader class MyDataSet(Dataset): def __init__(self): self.data = torch.tensor(range(10)).reshape([5,2]) self.label = torch.tensor(range(5)) def __getitem__(self, index): print(index) #修改处2 return self.data[index], self.label[index] def __len__(self): return len(self.data) my_data_set = MyDataSet() my_data_loader = DataLoader( dataset=my_data_set, batch_size=2, shuffle=True, sampler=None, batch_sampler=None, num_workers=0 , collate_fn=lambda x:x, #修改处1 pin_memory=True, drop_last=True ) for i in my_data_loader: print(i)
输出如下：
验证了前面的猜想，的确是一个一个读取的。如果数据集定义的不是格式化的数据，那还好，但是我这里定义的是tensor，是可以直接通过列表来索引对应的tensor的。因此，DataLoader的操作比直接索引多了拼接这一步，肯定是会慢很多的。一两次的读取还好，但在训练中，大量的读取累加起来，就会浪费很多时间了。
自定义一个DataLoader可以证明这一点，代码如下：
import torch from torch.utils.data import Dataset,DataLoader from time import time class MyDataSet(Dataset): def __init__(self): self.data = torch.tensor(range(100000)).reshape([50000,2]) self.label = torch.tensor(range(50000)) def __getitem__(self, index): return self.data[index], self.label[index] def __len__(self): return len(self.data) # 自定义DataLoader class MyDataLoader(): def __init__(self, dataset,batch_size): self.dataset = dataset self.batch_size = batch_size def __iter__(self): self.now = 0 self.shuffle_i = np.array(range(self.dataset.__len__())) np.random.shuffle(self.shuffle_i) return self def __next__(self): self.now += self.batch_size if self.now <= len(self.shuffle_i): indexes = self.shuffle_i[self.now-self.batch_size:self.now] return self.dataset.__getitem__(indexes) else: raise StopIteration # 使用官方DataLoader my_data_set = MyDataSet() my_data_loader = DataLoader( dataset=my_data_set, batch_size=256, shuffle=True, sampler=None, batch_sampler=None, num_workers=0 , collate_fn=None, pin_memory=True, drop_last=True ) start_t = time() for t in range(10): for i in my_data_loader: pass print("官方：", time() - start_t) #自定义DataLoader my_data_set = MyDataSet() my_data_loader = MyDataLoader(my_data_set,256) start_t = time() for t in range(10): for i in my_data_loader: pass print("自定义：", time() - start_t)
运行结果如下：
以上使用batch大小为256，仅各读取10 epoch的数据，都有30多倍的时间上的差距，更大的batch差距会更明显。另外，这里用于测试的每个数据只有两个浮点数，如果是图像，所需的时间可能会增加几百倍。因此，如果数据量和batch都比较大，并且数据是格式化的，最好自己写数据生成器。
并行式读取
DEMO代码
import matplotlib.pyplot as plt from torch.utils.data import DataLoader from torchvision import transforms from torchvision.datasets import ImageFolder path = r'E:\DataSets\ImageNet\ILSVRC2012_img_train\10-19\128x128' my_data_set = ImageFolder( #————1———— root = path, #————2———— transform = transforms.Compose([ #————3———— transforms.ToTensor(), transforms.CenterCrop(64) ]), loader = plt.imread #————4———— ) my_data_loader = DataLoader( dataset=my_data_set, batch_size=128, shuffle=True, sampler=None, batch_sampler=None, num_workers=0, collate_fn=None, pin_memory=True, drop_last=True ) for i in my_data_loader: print(i)
注释处解释如下：
1/2、ImageFolder类继承自DataSet类，因此可以按索引读取图像。路径必须包含文件夹，ImageFolder会给每个文件夹中的图像添加索引，并且每张图像会给予其所在文件夹的标签。举个例子，代码中my_data_set[0] 输出的是图像对象和它对应的标签组成的列表。
3、图像到格式化数据的转换组合。更多的转换方法可以看 transform 模块。
4、图像法的读取方式，默认是PIL.Image.open()，但我发现plt.imread()更快一些。
由于是边训练边读取，transform会占用很多时间，因此可以先将图像转换为需要的形式存入外存再读取，从而避免重复操作。
其中transform.ToTensor()会把正常读取的图像转换为torch.tensor，并且像素值会映射至$[0,1]$。由于plt.imread()读取png图像时，像素值在$[0,1]$，而读取jpg图像时，像素值却在$[0,255]$，因此使用transform.ToTensor()能将图像像素区间统一化。
