學習基礎知識 || 快速入門 || 張量 || 資料集 & DataLoaders || 變換 || 構建模型 || Autograd || 最佳化 || 儲存和載入模型

資料集 & DataLoaders

創建於: 2021 年 2 月 9 日 | 最後更新: 2024 年 1 月 16 日 | 最後驗證: 2024 年 11 月 5 日

處理資料樣本的程式碼可能會變得雜亂且難以維護；理想情況下，我們希望將資料集程式碼與模型訓練程式碼解耦，以提高可讀性和模組化。PyTorch 提供了兩種資料原語：torch.utils.data.DataLoader 和 torch.utils.data.Dataset，它們允許您使用預載入的資料集以及您自己的資料。Dataset 儲存樣本及其對應的標籤，而 DataLoader 則在 Dataset 周圍封裝了一個迭代器，以便於訪問樣本。

PyTorch 領域庫提供了許多預載入的資料集（例如 FashionMNIST），這些資料集繼承自 torch.utils.data.Dataset 並實現了特定於特定資料的功能。它們可用於原型設計和模型基準測試。您可以在此處找到它們：影像資料集、文字資料集和音訊資料集

載入資料集

這是一個從 TorchVision 載入 Fashion-MNIST 資料集的示例。Fashion-MNIST 是一個包含 Zalando 商品影像的資料集，由 60,000 個訓練樣本和 10,000 個測試樣本組成。每個樣本包含一個 28×28 的灰度影像和來自 10 個類別之一的關聯標籤。

我們使用以下引數載入 FashionMNIST Dataset

• root 是訓練/測試資料儲存的路徑，

• train 指定訓練或測試資料集，

• download=True 會在 root 路徑下資料不存在時從網際網路下載。

• transform 和 target_transform 指定特徵和標籤變換

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()
)

  0%|          | 0.00/26.4M [00:00<?, ?B/s]
  0%|          | 65.5k/26.4M [00:00<01:13, 360kB/s]
  1%|          | 197k/26.4M [00:00<00:35, 748kB/s]
  2%|1         | 492k/26.4M [00:00<00:20, 1.27MB/s]
  6%|6         | 1.61M/26.4M [00:00<00:05, 4.14MB/s]
 15%|#4        | 3.83M/26.4M [00:00<00:02, 7.99MB/s]
 34%|###4      | 9.04M/26.4M [00:00<00:00, 19.1MB/s]
 49%|####9     | 13.0M/26.4M [00:01<00:00, 21.1MB/s]
 66%|######6   | 17.6M/26.4M [00:01<00:00, 27.0MB/s]
 80%|#######9  | 21.0M/26.4M [00:01<00:00, 29.0MB/s]
 95%|#########5| 25.2M/26.4M [00:01<00:00, 27.5MB/s]
100%|##########| 26.4M/26.4M [00:01<00:00, 19.2MB/s]

  0%|          | 0.00/29.5k [00:00<?, ?B/s]
100%|##########| 29.5k/29.5k [00:00<00:00, 327kB/s]

  0%|          | 0.00/4.42M [00:00<?, ?B/s]
  1%|1         | 65.5k/4.42M [00:00<00:12, 360kB/s]
  4%|4         | 197k/4.42M [00:00<00:05, 729kB/s]
 11%|#1        | 492k/4.42M [00:00<00:03, 1.28MB/s]
 37%|###7      | 1.64M/4.42M [00:00<00:00, 4.18MB/s]
 87%|########6 | 3.83M/4.42M [00:00<00:00, 8.06MB/s]
100%|##########| 4.42M/4.42M [00:00<00:00, 6.06MB/s]

  0%|          | 0.00/5.15k [00:00<?, ?B/s]
100%|##########| 5.15k/5.15k [00:00<00:00, 55.9MB/s]

迭代和視覺化資料集

我們可以像列表一樣手動索引 Datasets：training_data[index]。我們使用 matplotlib 來視覺化訓練資料中的一些樣本。

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()

---

為您的檔案建立自定義資料集

自定義 Dataset 類必須實現三個函式：__init__、__len__ 和 __getitem__。請看這個實現；FashionMNIST 影像儲存在目錄 img_dir 中，而它們的標籤則單獨儲存在 CSV 檔案 annotations_file 中。

在接下來的部分，我們將詳細介紹這些函式中的每一個。

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__

__init__ 函式在例項化 Dataset 物件時執行一次。我們初始化包含影像的目錄、標註檔案以及兩個變換（將在下一節詳細介紹）。

labels.csv 檔案如下所示

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__

__len__ 函式返回資料集中樣本的數量。

示例

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

__getitem__

__getitem__ 函式載入並返回給定索引 idx 處的資料集樣本。根據索引，它確定影像在磁碟上的位置，使用 read_image 將其轉換為張量，從 self.img_labels 中的 csv 資料檢索相應標籤，對其呼叫變換函式（如果適用），並以元組形式返回張量影像和相應標籤。

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

---

使用 DataLoaders 準備資料進行訓練

Dataset 一次檢索一個樣本的資料集特徵和標籤。在訓練模型時，我們通常希望以“迷你批次”的形式傳遞樣本，在每個 epoch 重新打亂資料以減少模型過擬合，並使用 Python 的 multiprocessing 來加速資料檢索。

DataLoader 是一個迭代器，它透過簡單的 API 為我們抽象了這種複雜性。

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)

遍歷 DataLoader

我們已將資料集載入到 DataLoader 中，並可以根據需要遍歷資料集。下面的每次迭代都會返回一批 train_features 和 train_labels（分別包含 batch_size=64 個特徵和標籤）。因為我們指定了 shuffle=True，所以在遍歷所有批次後，資料會被打亂（如需對資料載入順序進行更精細的控制，請參閱取樣器 (Samplers)）。

# 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}")

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

---

延伸閱讀

• torch.utils.data API