前言
用于处理数据样本的代码可能很快就会变得混乱且难以维护。理想情况下，为了获得更好的可读性和模块化，我们希望处理数据集的代码与模型训练代码分离。
PyTorch 提供了两个非常有用的数据集处理类：
- torch.utils.data.Dataset：存储样本及其相应的标签，PyTorch还提供了不少自带的数据集。
- torch.utils.data.DataLoader：围绕Dataset包装一个可迭代对象，以便轻松访问样本。
PyTorch 提供了许多预加载的数据集（例如：FashionMNIST），它们是 torch.utils.data.Dataset的子类并实现特定于特定数据的函数。我们可以用它们来对模型进行原型设计和基准测试。这些数据集可以分为：图像数据集、文本数据集和音频数据集。
1、加载数据集
现在我们来展示一下如何从 TorchVision 加载 Fashion-MNIST 数据集。Fashion-MNIST由60000个训练样本和10000个测试样本组成。每个样本包含一个 28x28 灰度图像和来自10个类别之一的关联标签。
我们使用以下参数加载 FashionMNIST数据集：
- 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目录下没有数据，则从网上下载数据
- transform 和 target_transform 指定特征和标签转换
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() )
2、遍历并可视化数据集
我们可以用索引来访问数据集中的样本，用 matplotlib 可视化图形样本。
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()
3、从本地文件创建自己的数据集
自定义 Dataset 类必须实现三个函数：
- __init__：在实例化 Dataset 对象时运行一次。我们初始化包含图像的目录、注释文件和 transform 与 target_transform。
- __len__：以 len(dataset)的方式获取 dataset 中包含的样本数
- __getitem__：加载并返回给定索引 idx 处的数据集样本。基于索引，它识别图像在磁盘上的位置，使用read_image将其转换为Tensor，从self.img_labels中的CSV数据中检索相应的标签，调用它们的转换函数（如果适用），并以元组的形式返回Tensor图像和相应的标签。
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
4、使用 DataLoader 准备数据以进行训练
Dataset 检索数据集的特征并一次标记一个样本。在训练模型时，我们通常希望以小批量（mini batch）方式传递样本，在每个epoch重新整理数据以减少模型过拟合，并使用Python的多线程来加速数据检索。
DataLoader 是一个可迭代的对象。它通过一个简单的API为我们抽象了这种复杂性需求。
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=False)
5、遍历 DatasetLoader
我们已将该数据集加载到 DataLoader中，并且可以根据需要迭代数据集。
下面的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）。
# Display image and label. 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}")
参考： PyTorch研习社
![Pytorch教程[02]DataLoader与Dataset](https://ucc.alicdn.com/pic/developer-ecology/cab3050ad37c4839be945ea08d64d5ea.png?x-oss-process=image/resize,h_160,m_lfit)