加载数据集（Dataset、DataLoader、Sampler）

编程入门行业动态更新时间:2024-10-11 09:23:49

加载数据集（Dataset、DataLoader、Sampler）

Dataset、DataLoader、Sampler之间的关系

我们可以假设我们的数据是一组图像，每一张图像对应一个index，那么如果我们要读取数据就只需要对应的index即可，即代码中的indices，而选取index的方式有多种，有按顺序的，也有乱序的，所以这个工作需要Sampler完成，后面会介绍，你只需要知道DataLoader和Sampler在这里产生关系。

那么Dataset和DataLoader在什么时候产生关系呢？没错就是下面一行。我们已经拿到了indices，那么下一步我们只需要根据index对数据进行读取即可了。

1、怎么实现自定义Dataset 类以供后面的dataloader使用它？

自定义Dataset 类首先需要继承Dataset 类，由于Dataset 是一个抽象类，我们不能实例化，所以我们要继承然后实现它，这样就可以实例化我们自己的datasets 类了

我们需要实现继承的Dataset 类的三个方法： __init__(self, filepath)、 __getitem__(self, index)、 __len__(self)

from torch.utils.data import Dataset
from torch.utils.data import DataLoader
class MyDataset(Dataset):def __init__(self, filepath):# 一般是定义在该类中其他方法会用到的属性passdef __getitem__(self, index):# 接收一个索引，返回数据的索引对应的数据passdef __len__(self):# 返回数据的长度，用于Dataloader中的index选取范围pass

Dataset小例子

初始化Daset

import torch
from torch.utils import data
class MyDataset(torch.utis.data.Dataset):def __init__(self):self.data = torch.arange(0, 20)def __getitem__(self,index):x = self.data[index]y=x*2return ydef __len__(self):return len(self.data)

# 调用“ __init__ ”方法
dataset = MyDataset()# 调用“ __len__ ”方法
print(len(dataset))# 调用“ __getitem__ ”方法
print(dataset[3])

## 定义并使用dataloader
dataloader = torch.utils.data.DataLoader(dataset, shuffle=True, batch_size=4)
# len(dataset) / batch_size = 20/4 = 5
print(len(dataloader))# for 循环直接就迭代的选出的datasets中的元素【自动的得到index】
# 相当于隐式的调用了__getitem__方法
for x in dataloader:print(x)# tensor([ 8, 12, 22,  0])
# tensor([28, 30, 36,  2])
# tensor([ 6, 10,  4, 34])
# tensor([32, 20, 24, 16])
# tensor([18, 26, 14, 38])

DataLoader基础用法：

API

 def __init__(self, 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, multiprocessing_context=None):

其中几个常用的参数

dataset 数据集，map-style and iterable-style 可以用index取值的对象、
batch_size 大小
shuffle 取batch是否随机取，默认为False
sampler 定义取batch的方法，是一个迭代器，每次生成一个key 用于读取dataset中的值
batch_sampler 也是一个迭代器，每次生次一个batch_size的key
num_workers 参与工作的线程数
collate_fn 对取出的batch进行处理
pin_memory 生成的Tensor数据最开始是属于内存中的锁页内存，这样将内存的Tensor转义到GPU的显存就会更快一些。如果电脑内存较大，建议设置为True
drop_last 对最后不足batchsize的数据的处理方法

基础用法

DataLoader接收5个参数：分别是实例化后 dataset = Dataset()、batch_size、shuffle、sampler 、num_workers

train_loader = DataLoader( dataset =dataset, batch_size = 32 , shuffle = True , sampler =None, num_workers = 2 )

DataLoader具体的执行过程如下图所示：（将相当于将dataset的每个epoch把所有的样本shuffle，然后每N个样本为一个batch_size【下面以N为2为例】）

2、实现DataLoader并使用的方式：

只需要将Dataset实例化，然后传入DataLoader并设置相关的参数就可以了

dataset = DiabetesDataset(filepath='xxx')
dataloader = DataLoader(dataset=dataset, batch_size=32, shuffle=True, num_workers=0)
for batch in dataloader:# 在这里进行训练等操作print(batch)

Sampler采样器

首先需要知道的是所有的采样器都继承自Sampler这个类，如下：

可以看到主要有三种方法：分别是：

__init__: 这个很好理解，就是初始化
__iter__: 这个是用来产生迭代索引值的，也就是指定每个step需要读取哪些数据
__len__: 这个是用来返回每次迭代器的长度

class Sampler(object):r"""Base class for all Samplers.Every Sampler subclass has to provide an __iter__ method, providing a wayto iterate over indices of dataset elements, and a __len__ method thatreturns the length of the returned iterators."""# 一个 迭代器 基类def __init__(self, data_source):passdef __iter__(self):raise NotImplementedErrordef __len__(self):raise NotImplementedError

子类Sampler

介绍完父类后我们看看Pytorch给我们提供了哪些采样器

1）、SequentialSampler 顺序采样

这个看名字就很好理解，其实就是按顺序对数据集采样。

其原理是首先在初始化的时候拿到数据集data_source，之后在__iter__方法中首先得到一个和data_source一样长度的range可迭代器。每次只会返回一个索引值。

class SequentialSampler(Sampler):r"""Samples elements sequentially, always in the same order.Arguments:data_source (Dataset): dataset to sample from"""# 产生顺序 迭代器def __init__(self, data_source):self.data_source = data_sourcedef __iter__(self):return iter(range(len(self.data_source)))def __len__(self):return len(self.data_source)

使用示例：

a = [1,5,78,9,68]
b = torch.utils.data.SequentialSampler(a)
for x in b:print(x)>>> 01234

2）RandomSampler 随机采样

参数作用：

data_source: 同上
num_samples: 指定采样的数量，默认是所有。
replacement: 若为True，则表示可以重复采样，即同一个样本可以重复采样，这样可能导致有的样本采样不到。所以此时我们可以设置num_samples来增加采样数量使得每个样本都可能被采样到。

class RandomSampler(Sampler):r"""Samples elements randomly. If without replacement, then sample from a shuffled dataset.If with replacement, then user can specify ``num_samples`` to draw.Arguments:data_source (Dataset): dataset to sample fromnum_samples (int): number of samples to draw, default=len(dataset)replacement (bool): samples are drawn with replacement if ``True``, default=False"""def __init__(self, data_source, replacement=False, num_samples=None):self.data_source = data_sourceself.replacement = replacementself.num_samples = num_samplesif self.num_samples is not None and replacement is False:raise ValueError("With replacement=False, num_samples should not be specified, ""since a random permute will be performed.")if self.num_samples is None:self.num_samples = len(self.data_source)if not isinstance(self.num_samples, int) or self.num_samples <= 0:raise ValueError("num_samples should be a positive integeral ""value, but got num_samples={}".format(self.num_samples))if not isinstance(self.replacement, bool):raise ValueError("replacement should be a boolean value, but got ""replacement={}".format(self.replacement))def __iter__(self):n = len(self.data_source)if self.replacement:return iter(torch.randint(high=n, size=(self.num_samples,), dtype=torch.int64).tolist())return iter(torch.randperm(n).tolist())def __len__(self):return len(self.data_source)

3）SubsetRandomSampler（比较常用）

class SubsetRandomSampler(Sampler):r"""Samples elements randomly from a given list of indices, without replacement.Arguments:indices (sequence): a sequence of indices"""def __init__(self, indices):self.indices = indicesdef __iter__(self):return (self.indices[i] for i in torch.randperm(len(self.indices)))def __len__(self):return len(self.indices)

这个采样器常见的使用场景是将训练集划分成训练集、验证集、测试集，示例如下：

n_train = len(train_dataset)
split = n_train // 3
indices = random.shuffle(list(range(n_train)))
train_sampler = torch.utils.data.sampler.SubsetRandomSampler(indices[split:])
valid_sampler = torch.utils.data.sampler.SubsetRandomSampler(indices[:split])
train_loader = DataLoader(..., sampler=train_sampler, ...)
valid_loader = DataLoader(..., sampler=valid_sampler, ...)

4、WeightedRandomSampler

参数作用同上面的RandomSampler，不再赘述。

class WeightedRandomSampler(Sampler):r"""Samples elements from [0,..,len(weights)-1] with given probabilities (weights).Arguments:weights (sequence)   : a sequence of weights, not necessary summing up to onenum_samples (int): number of samples to drawreplacement (bool): if ``True``, samples are drawn with replacement.If not, they are drawn without replacement, which means that when asample index is drawn for a row, it cannot be drawn again for that row."""def __init__(self, weights, num_samples, replacement=True):if not isinstance(num_samples, _int_classes) or isinstance(num_samples, bool) or \num_samples <= 0:raise ValueError("num_samples should be a positive integeral ""value, but got num_samples={}".format(num_samples))if not isinstance(replacement, bool):raise ValueError("replacement should be a boolean value, but got ""replacement={}".format(replacement))self.weights = torch.tensor(weights, dtype=torch.double)self.num_samples = num_samplesself.replacement = replacementdef __iter__(self):return iter(torch.multinomial(self.weights, self.num_samples, self.replacement).tolist())def __len__(self):return self.num_samples  ## 指的是一次一共采样的样本的数量

5、BatchSampler

前面的采样器每次都只返回一个索引，但是我们在训练时是对批量的数据进行训练，而这个工作就需要BatchSampler来做。也就是说BatchSampler的作用就是将前面的Sampler采样得到的索引值进行合并，当数量等于一个batch大小后就将这一批的索引值返回。

class BatchSampler(Sampler):r"""Wraps another sampler to yield a mini-batch of indices.Args:sampler (Sampler): Base sampler.batch_size (int): Size of mini-batch.drop_last (bool): If ``True``, the sampler will drop the last batch ifits size would be less than ``batch_size``Example:>>> list(BatchSampler(SequentialSampler(range(10)), batch_size=3, drop_last=False))[[0, 1, 2], [3, 4, 5], [6, 7, 8], [9]]>>> list(BatchSampler(SequentialSampler(range(10)), batch_size=3, drop_last=True))[[0, 1, 2], [3, 4, 5], [6, 7, 8]]"""
# 批次采样def __init__(self, sampler, batch_size, drop_last):if not isinstance(sampler, Sampler):raise ValueError("sampler should be an instance of ""torch.utils.data.Sampler, but got sampler={}".format(sampler))if not isinstance(batch_size, _int_classes) or isinstance(batch_size, bool) or \batch_size <= 0:raise ValueError("batch_size should be a positive integeral value, ""but got batch_size={}".format(batch_size))if not isinstance(drop_last, bool):raise ValueError("drop_last should be a boolean value, but got ""drop_last={}".format(drop_last))self.sampler = samplerself.batch_size = batch_sizeself.drop_last = drop_lastdef __iter__(self):batch = []for idx in self.sampler:batch.append(idx)if len(batch) == self.batch_size:yield batchbatch = []if len(batch) > 0 and not self.drop_last:yield batchdef __len__(self):if self.drop_last:return len(self.sampler) // self.batch_sizeelse:return (len(self.sampler) + self.batch_size - 1) // self.batch_size

使用方法：

import torcha = [1,5,78,9,68]
sample = torch.utils.data.SequentialSampler(a)
for x in b:print(x)torch.utils.data.BatchSampler(sample, batch_size=1, drop_last=True)