本文是《PyTorch官方教程中文版》系列文章之一，目录链接：[翻译]PyTorch官方教程中文版：目录

本文翻译自PyTorch官方网站，链接地址：DATASETS & DATALOADERS。

处理样本数据的代码可能会变得混乱并且难以维护，因此我们希望数据集代码和模型训练代码分离，并形成模块，这样可以获得更好的代码可读性和可维护性。PyTorch提供了两个数据处理工具，torch.utils.data.DataLoader和torch.utils.data.Dataset，她们允许您使用预加载的数据集和您自己的数据集。Dataset存储样本数据及其标签，DataLoader是为Dataset包装的一个迭代器，以便轻松访问样本。

PyTorch 提供了许多预加载的数据集（如 FashionMNIST），这些数据集对 torch.utils.data.Dataset 进行了子类化并实现了针对特定数据的函数。它们可用于对模型进行原型设计和基准测试。您可以在此处找到它们：

• Image Datasets
• Text Datasets
• Audio Datasets

加载数据集

下面是如何从TorchVision加载Fashion-MNIST数据集的示例。Fashion-MNIST是Zalando文章图像的数据集，由60000个训练样本和10000个测试样本组成。每个样本都包含一个 28×28 灰度图像和类别标签，类别标签共有10个类别。

我们使用以下参数加载 FashionMNIST 数据集：

• root 存储训练/测试数据的文件夹路径
• train 指定训练或测试数据集
• download=True 当数据不在root文件夹中时从互联网下载数据
• transform和target_transform 指定对特征和标签的转换操作

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()
)

上述代码输出：

Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz to data/FashionMNIST/raw/train-images-idx3-ubyte.gz

  0%|          | 0/26421880 [00:00<?, ?it/s]
  0%|          | 65536/26421880 [00:00<01:12, 365358.60it/s]
  1%|          | 229376/26421880 [00:00<00:37, 690119.31it/s]
  3%|3         | 917504/26421880 [00:00<00:09, 2633670.73it/s]
  7%|7         | 1933312/26421880 [00:00<00:05, 4129539.15it/s]
 18%|#7        | 4751360/26421880 [00:00<00:02, 10486330.34it/s]
 25%|##5       | 6619136/26421880 [00:00<00:01, 11684504.34it/s]
 31%|###1      | 8224768/26421880 [00:00<00:01, 12128993.20it/s]
 42%|####1     | 10977280/26421880 [00:01<00:00, 16013377.41it/s]
 49%|####8     | 12910592/26421880 [00:01<00:00, 15511753.35it/s]
 55%|#####5    | 14581760/26421880 [00:01<00:00, 14957666.46it/s]
 66%|######5   | 17432576/26421880 [00:01<00:00, 18292981.11it/s]
 73%|#######3  | 19365888/26421880 [00:01<00:00, 17404421.14it/s]
 80%|########  | 21200896/26421880 [00:01<00:00, 16204692.36it/s]
 90%|######### | 23887872/26421880 [00:01<00:00, 18908460.97it/s]
 98%|#########7| 25886720/26421880 [00:01<00:00, 16318288.68it/s]
100%|##########| 26421880/26421880 [00:01<00:00, 13341798.80it/s]
Extracting data/FashionMNIST/raw/train-images-idx3-ubyte.gz to data/FashionMNIST/raw

Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gz to data/FashionMNIST/raw/train-labels-idx1-ubyte.gz

  0%|          | 0/29515 [00:00<?, ?it/s]
100%|##########| 29515/29515 [00:00<00:00, 329362.59it/s]
Extracting data/FashionMNIST/raw/train-labels-idx1-ubyte.gz to data/FashionMNIST/raw

Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gz to data/FashionMNIST/raw/t10k-images-idx3-ubyte.gz

  0%|          | 0/4422102 [00:00<?, ?it/s]
  1%|1         | 65536/4422102 [00:00<00:11, 365137.29it/s]
  5%|5         | 229376/4422102 [00:00<00:06, 686965.65it/s]
 16%|#6        | 720896/4422102 [00:00<00:01, 1982015.98it/s]
 34%|###4      | 1507328/4422102 [00:00<00:00, 3184989.06it/s]
 68%|######8   | 3014656/4422102 [00:00<00:00, 6236092.95it/s]
100%|##########| 4422102/4422102 [00:00<00:00, 5453752.65it/s]
Extracting data/FashionMNIST/raw/t10k-images-idx3-ubyte.gz to data/FashionMNIST/raw

Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz

  0%|          | 0/5148 [00:00<?, ?it/s]
100%|##########| 5148/5148 [00:00<00:00, 47770524.32it/s]
Extracting data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw

遍历和可视化数据集

我们可以使用索引访问数据集：training_data[index]。我们使用matplotlib来可视化数据集中的一些样本。

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()

上述代码运行效果：

创建自定义数据集

自定义数据集类必须实现三个函数：__init__、__len__和__getitem__。参考下面这个实现，FashionMNIST图像存储在目录img_dir中，其标签单独存储在CSV文件annotations_file中。

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__函数

__init__函数在实例化数据集时执行一次，在__init__函数中，我们初始化了图像目录、标签数据和两个转换（下一节将更详细地介绍）。

labels.csv文件的内容类似这样：

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__函数返回数据集中的样本数量。
__len__示例：

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

__getitem__函数

__getitem__函数加载并返回数据集中位于索引 idx 处的样本。__getitem__函数首先根据索引，计算出图像在磁盘上的位置，使用 read_image 函数加载图像并转换成一个张量；然后__getitem__函数从self.img_labels中检索出图像对应的标签；最后__getitem__函数调用转换函数，并将图像和标签以元组的形式返回。

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DataLoader准备训练数据

Dataset一次性保存了样本的特征数据和标签。在训练模型时，我们通常希望以“小批量”的方式传递样本。为了减少模型的过拟合，在每个训练周期开始前都会打乱样本的顺序，并使用Python的multiprocessing来加速数据的处理过程。

DataLoader 是一个迭代器对象，它通过抽象简单的 API 隐藏了复杂的内部实现的。

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

一旦将数据加载进DataLoader，就可以在需要时遍历数据。下面代码中的的每次迭代都会返回一批train_features和train_labels（分别包含 64 个特征和标签）。因为我们指定了 shuffle=True，所以在我们迭代所有批次后，数据将被打乱（如果要更细粒度的控制数据加载顺序请查看 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}")

上述代码执行效果：

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

进一步阅读

• torch.utils.data API

芸芸小站首发，阅读原文：http://xiaoyunyun.net/index.php/archives/269.html