注意

单击此处下载完整的示例代码

了解基础知识 ||快速入门 ||张量 ||数据集和数据加载器 ||变换 ||构建模型 ||Autograd ||优化 ||保存并加载模型

数据集和数据加载器¶

创建时间： Feb 09， 2021 |上次更新时间：2024 年 1 月 16 日 |上次验证： Nov 05， 2024

用于处理数据样本的代码可能会变得混乱且难以维护;理想情况下，我们希望我们的数据集代码与我们的模型训练代码解耦，以提高可读性和模块化。 PyTorch 提供了两个数据基元：它们允许您使用预加载的数据集以及您自己的数据。存储样本及其相应的标签，并将 iterable 包装在以便轻松访问样本。torch.utils.data.DataLoadertorch.utils.data.DatasetDatasetDataLoaderDataset

PyTorch 域库提供了许多预加载的数据集（例如 FashionMNIST），这些数据集子类并实现特定于特定数据的函数。它们可用于对模型进行原型设计和基准测试。你可以找到它们此处：图像数据集、文本数据集和音频数据集torch.utils.data.Dataset

加载数据集¶

以下是如何从 TorchVision 加载 Fashion-MNIST 数据集的示例。 Fashion-MNIST 是 Zalando 的文章图像数据集，由 60,000 个训练示例和 10,000 个测试示例组成。每个示例都包含一个 28×28 灰度图像和一个来自 10 个类之一的关联标签。

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从 Internet 下载数据（如果上没有数据）。root
transform并指定特征和标签转换target_transform

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()
)

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%|          | 0.00/26.4M [00:00<?, ?B/s]
  0%|          | 65.5k/26.4M [00:00<01:12, 362kB/s]
  1%|          | 229k/26.4M [00:00<00:38, 681kB/s]
  3%|3         | 918k/26.4M [00:00<00:10, 2.53MB/s]
  7%|7         | 1.93M/26.4M [00:00<00:05, 4.11MB/s]
 25%|##5       | 6.62M/26.4M [00:00<00:01, 15.0MB/s]
 37%|###7      | 9.90M/26.4M [00:00<00:00, 17.1MB/s]
 59%|#####8    | 15.6M/26.4M [00:01<00:00, 26.1MB/s]
 71%|#######   | 18.7M/26.4M [00:01<00:00, 25.3MB/s]
 83%|########2 | 21.9M/26.4M [00:01<00:00, 25.8MB/s]
100%|##########| 26.4M/26.4M [00:01<00:00, 19.3MB/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%|          | 0.00/29.5k [00:00<?, ?B/s]
100%|##########| 29.5k/29.5k [00:00<00:00, 328kB/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%|          | 0.00/4.42M [00:00<?, ?B/s]
  1%|1         | 65.5k/4.42M [00:00<00:12, 361kB/s]
  4%|3         | 164k/4.42M [00:00<00:06, 624kB/s]
 11%|#1        | 492k/4.42M [00:00<00:03, 1.29MB/s]
 30%|##9       | 1.31M/4.42M [00:00<00:00, 3.33MB/s]
 86%|########5 | 3.80M/4.42M [00:00<00:00, 8.10MB/s]
100%|##########| 4.42M/4.42M [00:00<00:00, 6.05MB/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%|          | 0.00/5.15k [00:00<?, ?B/s]
100%|##########| 5.15k/5.15k [00:00<00:00, 40.1MB/s]
Extracting data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw

迭代和可视化数据集¶

我们可以像列表一样手动索引： . 我们用于可视化训练数据中的一些样本。Datasetstraining_data[index]matplotlib

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()

为您的文件创建自定义数据集¶

自定义 Dataset 类必须实现三个函数：__init__、__len__ 和 __getitem__。看看这个实现;存储 FashionMNIST 图像在 directory 中，并且它们的标签单独存储在 CSV file 中。img_dirannotations_file

在接下来的部分中，我们将分解每个函数中发生的情况。

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__ 函数在实例化 Dataset 对象时运行一次。我们初始化包含图像、annotations 文件和两个转换的目录（覆盖在下一节中将有更详细的介绍）。

labels.csv 文件如下所示：

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__ 函数返回数据集中的样本数。

例：

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

`getitem`¶

__getitem__ 函数加载并返回位于给定 index 处的数据集中的样本。根据索引，它识别图像在磁盘上的位置，使用将其转换为张量，检索中 CSV 数据的相应标签，对它们调用 transform 函数（如果适用），并返回 Tensor 图像和元组中的相应标签。idxread_imageself.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

准备数据以使用 DataLoader 进行训练¶

它会检索我们数据集的特征，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” 传递样本，在每个 epoch 重新洗牌数据以减少模型过拟合，并使用 Python 的加快数据检索速度。Datasetmultiprocessing

DataLoader是一个可迭代对象，它通过一个简单的 API 为我们抽象了这种复杂性。

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)

遍历 DataLoader¶

我们已将该数据集加载到中，并可以根据需要迭代数据集。下面的每次迭代都会返回一批 and（分别包含特征和标签）。因为我们指定了，所以在我们迭代所有 batchs 之后，数据会被随机排序（以便对数据加载顺序，看看 Samplers）。DataLoadertrain_featurestrain_labelsbatch_size=64shuffle=True

# 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

延伸阅读¶

torch.utils.data API 接口

脚本总运行时间：（0 分 5.312 秒）

由 Sphinx-Gallery 生成的图库

数据集和数据加载器¶

加载数据集¶

迭代和可视化数据集¶

为您的文件创建自定义数据集¶

`init`¶

`len`¶

`getitem`¶

准备数据以使用 DataLoader 进行训练¶

遍历 DataLoader¶

延伸阅读¶

文档

教程

资源

数据集和数据加载器¶

加载数据集¶

迭代和可视化数据集¶

为您的文件创建自定义数据集¶

__init__¶

__len__¶

__getitem__¶

准备数据以使用 DataLoader 进行训练¶

遍历 DataLoader¶

延伸阅读¶

文档

教程

资源

`init`¶

`len`¶

`getitem`¶