目录
一、DataLoader、DataSet和Sampler之间的关系
一、DataLoader、DataSet和Sampler之间的关系
Sampler和DataSet是DataLoader的两个子模块;Sampler的功能是生成索引,也就是样本的序号;Dataset是根据索引去读取数据以及对应的标签。DataLoader负责以特定的方式从数据集中迭代的产生 一个个batch的样本集合。其中,DataLoader和Dataset是pytorch中数据读取的核心。
二、Dataloader
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)
实例化一个DataLoader所需的参数如上所示。其中:
1、dataset:定义好的Map式或者Iterable式数据集;
2、batch_size:一个batch中的样本个数,默认为1;
3、shuffle:每一个epoch的batch样本是相同还是随机;
4、sampler:数据集中采样的方法. 如果有,则shuffle参数必须为False;
5、batch_sampler:和 sampler 类似,但是一次返回的是一个batch内所有样本的index;
6、num_workers:多少个子程序同时工作来获取数据,多线程;
7、collate_fn:合并样本列表以形成小批量;
8、pin_menory:如果为True,数据加载器在返回前将张量复制到CUDA固定内存中;
9、drop_last:如果数据集大小不能被batch_size整除,设置为True可删除最后一个不完整的批处理。如果设为False并且数据集的大小不能被batch_size整除,则最后一个batch将更小;
10、timeout:如果是正数,表明等待从worker进程中收集一个batch等待的时间,若超出设定的时间还没有收集到,那就不收集这个内容了。numeric应总是大于等于0;
三、DataSet
DataSet就是一个负责处理索引(index)到样本(sample)映射的一个类(class)。torch.utils.data.Dataset 是一个表示数据集的抽象类。任何自定义的数据集都需要继承这个类并覆写相关方法。Pytorch提供两种数据集:Map式数据集 和Iterable式数据集
1、Map式数据集
一个Map式的数据集必须要重写getitem(self, index),len(self) 两个内建方法,用来表示从索引到样本的映射(Map)。.
这样一个数据集dataset,举个例子,当使用dataset[idx]命令时,可以在你的硬盘中读取你的数据集中第idx张图片以及其标签(如果有的话);len(dataset)则会返回这个数据集的容量。
自定义类的结构一般如下:
class CustomDataset(data.Dataset):#需要继承data.Dataset
def __init__(self):
# TODO
# 1. Initialize file path or list of file names.
pass
def __getitem__(self, index):
# TODO
# 1. Read one data from file (e.g. using numpy.fromfile, PIL.Image.open).
# 2. Preprocess the data (e.g. torchvision.Transform).
# 3. Return a data pair (e.g. image and label).
#这里需要注意的是,第一步:read one data,是一个data
pass
def __len__(self):
# You should change 0 to the total size of your dataset.
return 0
__getitem__
是最主要的方法,它规定了如何读取数据。但是它又不同于一般的方法,因为它是python built-in方法,其主要作用是能让该类可以像list一样通过索引值对数据进行访问。假如你定义好了一个dataset,那么你可以直接通过dataset[0]
来访问第一个数据。
2、Iterable式数据集
一个Iterable(迭代)式数据集是抽象类data.IterableDataset的子类,并且覆写了iter方法成为一个迭代器。这种数据集主要用于数据大小未知,或者以流的形式的输入,本地文件不固定的情况,需要以迭代的方式来获取样本索引。
⭐迭代器
迭代器是一个可以记住遍历的位置的对象。迭代器对象从集合的第一个元素开始访问,直到所有的元素被访问完结束。迭代器只能往前不会后退。迭代器有两个基本的方法:iter() 和 next()。
iter() 方法返回一个特殊的迭代器对象, 这个迭代器对象实现了 next() 方法并通过 StopIteration 异常标识迭代的完成。
next() 方法会返回迭代器的输出。
创建迭代器的一般格式为:
class MyNumbers:
def __iter__(self):
self.a = 1
return self
def __next__(self):
if self.a <= 20:
x = self.a
self.a += 1
return x
else:
raise StopIteration
#StopIteration 异常用于标识迭代的完成,防止出现无限循环的情况,在 next() 方法中我们可以设置在完成指定循环次数后触发 StopIteration 异常来结束迭代。
myclass = MyNumbers()
myiter = iter(myclass)
for x in myiter:
print(x)
三、Sampler
Sampler类的源代码主要有三种方法,如下:
class Sampler(object):
r"""Base class for all Samplers.
Every Sampler subclass has to provide an __iter__ method, providing a way
to iterate over indices of dataset elements, and a __len__ method that
returns the length of the returned iterators.
"""
# 一个 迭代器 基类
def __init__(self, data_source):
pass
def __iter__(self):
raise NotImplementedError
def __len__(self):
raise NotImplementedError
__init__
: 就是初始化__iter__
: 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__
: 用来返回每次迭代器的长度
Pytorch提供了给我们几种采样器,如下:
(1)SequentialSampler
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。
(2)RandomSampler
随机采样
(3)SubsetRandomSampler
子集随机采样,用于训练集、测试集和验证集的划分
(4)WeightedRandomSampler
加权随机采样
(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。
四、总结
以上都是我在学习时针对我现在所需做的笔记,如果需要更加细节的了解,请参考下面我参考的文章:
一文弄懂Pytorch的DataLoader, DataSet, Sampler之间的关系 – marsggbo – 博客园
Sampler类与4种采样方式_Wanderer001的博客-CSDN博客_sample采样
今天的文章DataLoader、Dataset and Sampler分享到此就结束了,感谢您的阅读,如果确实帮到您,您可以动动手指转发给其他人。
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/25236.html