数据集和数据加载器

译者：Daydaylight

项目地址：https://pytorch.apachecn.org/2.0/tutorials/beginner/basics/data_tutorial

原始地址：https://pytorch.org/tutorials/beginner/basics/data_tutorial.html

处理数据样本的代码可能会变得杂乱无章，难以维护；我们希望我们的数据集代码与我们的模型训练代码分离，以提高可读性和模块化。 PyTorch 提供了两个数据基类： torch.utils.data.DataLoader 和 torch.utils.data.Dataset。允许你使用预加载的数据集以及你自己的数据集。 Dataset 存储样本和它们相应的标签，DataLoader 在 Dataset 基础上添加了一个迭代器，迭代器可以迭代数据集，以便能够轻松地访问 Dataset 中的样本。

PyTorch 领域库提供了一些预加载的数据集(如FashionMNIST)，这些数据集是 torch.utils.data.Dataset 的子类，并实现特定数据的功能。它们可以被用来为你的模型制作原型和基准。你可以在这里找到它们：Image Datasets、Text Datasets、Audio Datasets

加载一个数据集

下面是一个如何从 TorchVision 加载 Fashion-MNIST 数据集的例子。 Fashion-MNIST是一个由 60,000 个训练实例和 10,000 个测试实例组成的 Zalando 的文章图像数据集。每个例子包括一个28×28的灰度图像和10个类别中的一个相关标签。

我们加载 FashionMNIST Dataset 参数如下：

root 是存储训练/测试数据的路径,
train 指定训练或测试数据集,
download=True 如果 root 指定的目录没有数据，就自动从网上下载数据。
transform 和 target_transform 指定特征和标签的转换。

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

我们可以像列表一样手动索引 Datasets：training_data[index]。我们使用 matplotlib 来可视化我们训练数据中的一些样本。

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()

为你的文件创建一个自定义数据集

一个自定义的数据集类必须实现三个函数： __init__, __len__, 和 __getitem__。以 FashionMNIST 数据集为例，它的图片存储在 img_dir 参数指定的目录中，标签存储在 annotations_file 参数指定的CSV文件中。

在接下来的章节中，我们将分别介绍这些函数方法的作用

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

在实例化数据集对象时，__init__ 函数会运行一次，用于初始化图像目录、标签文件和图像转换属性(下一节将详细介绍)。

标签 csv 文件看起来像：

tshirt1.jpg, 0
tshirt2.jpg, 0
......
ankleboot999.jpg, 9

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

len

函数 __len__ 返回我们数据集中的样本数。

Example:

def __len__(self):
    return len(self.img_labels)

getitem

函数 __getitem__ 从数据集中给定的索引 idx 处加载并返回一个样本。根据索引可以确定图像在硬盘上的位置，用 read_image 将其转换为tensor，从 self.img_labels 的csv数据中获取相应的标签，再对它们调用 transform 函数(如果适用)，并返回tensor图像和相应的标签的元组。

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

用 DataLoaders 准备你的数据进行训练

Dataset 每次加载一组我们数据集的特征和标签样本。在训练一个模型时，我们通常希望以 "小批量" 的方式传递样本，在每个训练周期重新打乱数据以减少模型的过拟合，并使用 Python 的 multiprocessing 来加快数据的加载速度。

DataLoader 是一个可迭代的对象，它用一个简单的API为我们抽象出这种复杂性。

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)

遍历 DataLoader

我们已经将该数据集加载到 DataLoader 中，并可以根据需要迭代该数据集。每次迭代都会返回一批 train_features 和 train_labels (分别包含 batch_size=64 个特征和标签)。因为我们指定了 shuffle=True，在我们遍历所有批次后，数据会被打乱(为了更精细地控制数据加载顺序，请看Samplers)。

# 显示图像和标签。
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}")

输出：

Feature batch shape: torch.Size([64, 1, 28, 28])
Labels batch shape: torch.Size([64])
Label: 5