有时候,在处理大数据集时,一次将整个数据加载到内存中变得非常难。
因此,唯一的方法是将数据分批加载到内存中进行处理,这需要编写额外的代码来执行此操作。对此,PyTorch 已经提供了 Dataloader 功能。
DataLoader
下面显示了 PyTorch 库中DataLoader函数的语法及其参数信息。
- 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, *, prefetch_factor=2,
- persistent_workers=False)
几个重要参数
- dataset:必须首先使用数据集构造 DataLoader 类。
- Shuffle :是否重新整理数据。
- Sampler :指的是可选的 torch.utils.data.Sampler 类实例。采样器定义了检索样本的策略,顺序或随机或任何其他方式。使用采样器时应将 Shuffle 设置为 false。
- Batch_Sampler :批处理级别。
- num_workers :加载数据所需的子进程数。
- collate_fn :将样本整理成批次。Torch 中可以进行自定义整理。
加载内置 MNIST 数据集
MNIST 是一个著名的包含手写数字的数据集。下面介绍如何使用DataLoader功能处理 PyTorch 的内置 MNIST 数据集。
- import torch
- import matplotlib.pyplot as plt
- from torchvision import datasets, transforms
上面代码,导入了 torchvision 的torch计算机视觉模块。通常在处理图像数据集时使用,并且可以帮助对图像进行规范化、调整大小和裁剪。
对于 MNIST 数据集,下面使用了归一化技术。
ToTensor()能够把灰度范围从0-255变换到0-1之间。
- transform = transforms.Compose([transforms.ToTensor()])
下面代码用于加载所需的数据集。使用 PyTorchDataLoader通过给定 batch_size = 64来加载数据。shuffle=True打乱数据。
- trainset = datasets.MNIST('~/.pytorch/MNIST_data/', download=True, train=True, transform=transform)
- trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True)
为了获取数据集的所有图像,一般使用iter函数和数据加载器DataLoader。
- dataiter = iter(trainloader)
- images, labels = dataiter.next()
- print(images.shape)
- print(labels.shape)
- plt.imshow(images[1].numpy().squeeze(), cmap='Greys_r')
自定义数据集
下面的代码创建一个包含 1000 个随机数的自定义数据集。
- from torch.utils.data import Dataset
- import random
- class SampleDataset(Dataset):
- def __init__(self,r1,r2):
- randomlist=[]
- for i in range(120):
- n = random.randint(r1,r2)
- randomlist.append(n)
- self.samples=randomlist
- def __len__(self):
- return len(self.samples)
- def __getitem__(self,idx):
- return(self.samples[idx])
- dataset=SampleDataset(1,100)
- dataset[100:120]
在这里插入图片描述
最后,将在自定义数据集上使用 dataloader 函数。将 batch_size 设为 12,并且还启用了num_workers =2 的并行多进程数据加载。
- from torch.utils.data import DataLoader
- loader = DataLoader(dataset,batch_size=12, shuffle=True, num_workers=2 )
- for i, batch in enumerate(loader):
- print(i, batch)
写在后面通过几个示例了解了 PyTorch Dataloader 在将大量数据批量加载到内存中的作用。