本文共 3313 字，大约阅读时间需要 11 分钟。

PyTorch中的Datasets和DataLoaders

在深入学习PyTorch的过程中，数据处理是不可忽视的重要环节。传统的数据处理代码常常会让人感到复杂且难以维护，这使得数据集代码与模型训练代码的耦合性较高。然而，PyTorch为我们提供了一套强大的数据处理工具——Datasets和DataLoaders，使得数据处理变得更加高效和灵活。

1. 什么是Datasets和DataLoaders

PyTorch中的Datasets类用于存储数据样本及其对应标签，而DataLoaders类则将数据集包装成一个可迭代的对象。Datasets类的主要作用是管理数据样本，DataLoaders则负责分批加载数据，适合在训练过程中高效处理大规模数据集。

2. 使用Fashion-MNIST数据集

Fashion-MNIST是由Zalando提供的一个常见数据集，包含60,000张训练图像和10,000张测试图像。每张图像尺寸为28×28，附带10种类别的标签。以下是使用PyTorch加载该数据集的示例代码：

import torch
from torch.utils.data import Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor
# 加载训练数据集
training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)
# 加载测试数据集
test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)

3. 遍历数据集

通过索引操作，我们可以访问数据集中任意一个样本。以下代码展示了如何使用matplotlib可视化训练数据集中的部分样本：

import matplotlib.pyplot as plt
# 定义标签映射
labels_map = {
    0: "T-Shirt",
    1: "Trouser",
    2: "Pullover",
    3: "Dress",
    4: "Coat",
    5: "Sandal",
    6: "Shirt",
    7: "Sneaker",
    8: "Bag",
    9: "Ankle Boot",
}
# 设置绘图布局
plt.figure(figsize=(8, 8))
cols, rows = 3, 3
# 遍历样本
for i in range(1, cols * rows + 1):
    sample_idx = torch.randint(len(training_data), size=(1,)).item()
    img, label = training_data[sample_idx]
    plt.subplot(rows, cols, i)
    plt.title(labels_map[label])
    plt.axis("off")
    plt.imshow(img.squeeze(), cmap="gray")

4. 创建自定义数据集

如果需要处理自定义数据集，需要创建一个继承自Dataset的自定义类。该类必须实现以下三个方法：

• init：初始化数据路径、标签文件以及数据转换方法。
• len：返回数据集样本数量。
• getitem：根据索引加载对应的样本数据。

以下是一个简化的实现示例：

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, names=['file_name', 'label'])
        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

5. 使用DataLoader进行批量加载

在模型训练阶段，我们通常希望通过DataLoader来批量加载数据集，这样可以提高数据加载的效率。此外，DataLoader还支持随机打乱数据集以减少模型过拟合。

from torch.utils.data import DataLoader
# 创建训练数据集的DataLoader实例
train_dataloader = DataLoader(
    training_data,
    batch_size=64,
    shuffle=True,
    num_workers=4
)
# 创建测试数据集的DataLoader实例
test_dataloader = DataLoader(
    test_data,
    batch_size=64,
    shuffle=False,
    num_workers=4
)

6. 遍历DataLoader

通过遍历DataLoader，可以逐批加载数据集中的样本。以下代码展示了如何从训练数据集中获取一批数据并进行可视化：

# 获取训练数据集的第一批样本
train_features, train_labels = next(iter(train_dataloader))
# 打印批量样本的形状
print(f"Feature batch shape: {train_features.size()}")
print(f"Labels batch shape: {train_labels.size()}")
# 查看样本内容
img = train_features[0].squeeze()
label = train_labels[0]
plt.imshow(img, cmap="gray")
plt.show()
print(f"Label: {label}")

通过以上代码，我们可以清晰地看到PyTorch如何通过Datasets和DataLoaders来简化数据处理流程，从而提高数据加载的效率和训练效果。

转载地址：http://vgxfk.baihongyu.com/