学习基础知识 || 快速入门 || 张量 || 数据集和数据加载器 || 变换 || 构建模型 || 自动梯度 || 优化 || 保存和加载模型
数据集与数据加载器
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，我们希望将数据集代码与模型训练代码解耦，以提高可读性和模块化。PyTorch 提供了两种数据原语：torch.utils.data.DataLoader 和 torch.utils.data.Dataset，允许您使用预加载的数据集以及您自己的数据。Dataset 存储样本及其对应的标签，而 DataLoader 则围绕 Dataset 封装了一个可迭代对象，以便轻松访问样本。
PyTorch 领域库提供了许多预加载的数据集（如 FashionMNIST），它们继承自 torch.utils.data.Dataset 并实现了特定于该数据的函数。这些数据集可用于模型的原型设计和基准测试。您可以在这里找到它们：图像数据集、文本数据集 和 音频数据集
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 的商品图像数据集，包含 60,000 个训练样本和 10,000 个测试样本。每个样本由一个 28×28 的灰度图像和一个来自 10 个类别之一的标签组成。
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指定是训练集还是测试集， -
download=True表示如果数据在root路径下不可用，则从互联网下载数据。 -
transform和target_transform分别指定特征和标签的转换方式。
importtorch
fromtorch.utils.dataimport Dataset
fromtorchvisionimport datasets
fromtorchvision.transformsimport ToTensor
importmatplotlib.pyplotasplt
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, 359kB/s]
1%| | 229k/26.4M [00:00<00:38, 674kB/s]
3%|3 | 918k/26.4M [00:00<00:10, 2.55MB/s]
7%|6 | 1.84M/26.4M [00:00<00:06, 3.81MB/s]
25%|##4 | 6.49M/26.4M [00:00<00:01, 14.8MB/s]
37%|###7 | 9.90M/26.4M [00:00<00:00, 17.0MB/s]
54%|#####4 | 14.3M/26.4M [00:01<00:00, 23.6MB/s]
68%|######8 | 18.0M/26.4M [00:01<00:00, 27.0MB/s]
83%|########3 | 22.0M/26.4M [00:01<00:00, 25.9MB/s]
100%|#########9| 26.4M/26.4M [00:01<00:00, 30.4MB/s]
100%|##########| 26.4M/26.4M [00:01<00:00, 19.1MB/s]
0%| | 0.00/29.5k [00:00<?, ?B/s]
100%|##########| 29.5k/29.5k [00:00<00:00, 328kB/s]
0%| | 0.00/4.42M [00:00<?, ?B/s]
1%|1 | 65.5k/4.42M [00:00<00:12, 360kB/s]
5%|5 | 229k/4.42M [00:00<00:06, 679kB/s]
21%|## | 918k/4.42M [00:00<00:01, 2.53MB/s]
44%|####3 | 1.93M/4.42M [00:00<00:00, 4.09MB/s]
100%|##########| 4.42M/4.42M [00:00<00:00, 6.05MB/s]
0%| | 0.00/5.15k [00:00<?, ?B/s]
100%|##########| 5.15k/5.15k [00:00<00:00, 32.8MB/s]
数据集迭代与可视化
我们可以像列表一样手动索引 Datasets：training_data[index]。我们使用 matplotlib 来可视化训练数据中的一些样本。
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()
为您的文件创建自定义数据集
一个自定义的 Dataset 类必须实现三个函数：__init__、__len__ 和 __getitem__。看一下这个实现；FashionMNIST 图像存储在目录 img_dir 中，它们的标签则单独存储在一个 CSV 文件 annotations_file 中。
在接下来的章节中，我们将逐一分解这些函数中的具体操作。
importos
importpandasaspd
fromtorchvision.ioimport read_image
classCustomImageDataset(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的目录、标注文件以及两个变换（下一节将详细介绍）。
labels.csv 文件内容如下：
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__ 函数返回数据集中样本的数量。
示例:
def__len__(self):
return len(self.img_labels)
__getitem__
__getitem__ 函数加载并返回数据集中给定索引 idx 处的样本。根据索引，它识别图像在磁盘上的位置，使用 read_image 将其转换为张量，从 self.img_labels 中的 csv 数据中检索相应的标签，对它们调用转换函数（如果适用），并以元组的形式返回张量图像和相应的标签。
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 准备训练数据
Dataset 每次检索数据集的一个样本的特征和标签。在训练模型时，我们通常希望以“小批量”的方式传递样本，在每个 epoch 重新打乱数据以减少模型过拟合，并使用 Python 的 multiprocessing 来加速数据检索。
DataLoader 是一个迭代器，它通过简单的 API 为我们抽象了这些复杂性。
fromtorch.utils.dataimport DataLoader
train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)
遍历 DataLoader
我们已经将该数据集加载到 DataLoader 中，并可以根据需要遍历数据集。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）。因为我们指定了 shuffle=True，所以在遍历所有批次后，数据会被打乱（如需更精细地控制数据加载顺序，请参阅 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