评价此页
★ ★ ★ ★ ★
beginner/basics/data_tutorial

注意

前往 末尾 下载完整的示例代码。

了解基础知识 || 快速入门 || 张量 || 数据集 & DataLoaders || 变换 || 构建模型 || 自动求导 || 优化 || 保存 & 加载模型

数据集 & DataLoaders#

创建时间：2021 年 02 月 09 日 | 最后更新：2025 年 09 月 24 日 | 最后验证：2024 年 11 月 05 日

用于处理数据样本的代码可能会变得混乱且难以维护；为了提高可读性和模块化，我们理想情况下希望将数据集代码与模型训练代码解耦。PyTorch 提供了两个数据原语：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 将 Dataset 包装成一个可迭代对象，以便轻松访问样本。

PyTorch 领域库提供了许多预加载的数据集（例如 FashionMNIST），它们继承自 torch.utils.data.Dataset 并实现了特定于该数据的功能。它们可用于原型设计和模型基准测试。您可以在此处找到它们：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 的文章图像数据集，包含 60,000 个训练样本和 10,000 个测试样本。每个样本包含一个 28×28 的灰度图像和一个来自 10 个类别之一的关联标签。

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 会在 root 路径下下载数据（如果数据不可用）。

  • transform 和 target_transform 指定特征和标签的转换

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<01:12, 364kB/s]
  1%|          | 229k/26.4M [00:00<00:38, 682kB/s]
  3%|▎         | 885k/26.4M [00:00<00:12, 2.02MB/s]
 14%|█▎        | 3.60M/26.4M [00:00<00:03, 7.15MB/s]
 36%|███▋      | 9.60M/26.4M [00:00<00:01, 16.5MB/s]
 47%|████▋     | 12.4M/26.4M [00:01<00:00, 16.1MB/s]
 68%|██████▊   | 17.9M/26.4M [00:01<00:00, 22.2MB/s]
 80%|███████▉  | 21.0M/26.4M [00:01<00:00, 22.8MB/s]
100%|██████████| 26.4M/26.4M [00:01<00:00, 18.1MB/s]

  0%|          | 0.00/29.5k [00:00<?, ?B/s]
100%|██████████| 29.5k/29.5k [00:00<00:00, 326kB/s]

  0%|          | 0.00/4.42M [00:00<?, ?B/s]
  1%|▏         | 65.5k/4.42M [00:00<00:12, 360kB/s]
  5%|▌         | 229k/4.42M [00:00<00:06, 677kB/s]
 20%|██        | 885k/4.42M [00:00<00:01, 2.01MB/s]
 81%|████████  | 3.57M/4.42M [00:00<00:00, 7.04MB/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, 45.2MB/s]

迭代和可视化数据集#

我们可以手动索引 Datasets，就像列表一样：training_data[index]。我们使用 matplotlib 来可视化我们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()
Shirt, Shirt, Shirt, Ankle Boot, Ankle Boot, Dress, Shirt, Shirt, Coat

为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__。请看这个实现；FashionMNIST 图像存储在目录 img_dir 中，它们的标签分别存储在 CSV 文件 annotations_file 中。

在接下来的部分，我们将详细介绍每个函数的作用。

import os
import pandas as pd
from torchvision.io import decode_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 = decode_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 对象时被调用一次。我们初始化包含图像的目录、注释文件以及所有变换（将在下一节中更详细地介绍）。

labels.csv 文件看起来像

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__ 函数返回我们数据集中样本的数量。

示例

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

__getitem__#

__getitem__ 函数在给定的索引 idx 处加载并返回数据集中的一个样本。根据索引，它识别图像在磁盘上的位置，使用 decode_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，对它们调用变换函数（如果适用），然后返回张量图像和相应的标签组成的元组。

def __getitem__(self, idx):
    img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
    image = decode_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 准备数据进行训练#

Dataset 一次检索一个数据集的特征和标签。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 中重新洗牌数据以减少模型过拟合，并使用 Python 的 multiprocessing 来加快数据检索速度。

DataLoader 是一个可迭代对象，它通过简单的 API 为我们抽象了这些复杂性。

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)

迭代 DataLoader#

我们将数据集加载到 DataLoader 中，并可以根据需要迭代数据集。下面的每次迭代返回一个包含 batch_size=64 个特征和标签的 train_features 和 train_labels 的批次。因为我们指定了 shuffle=True，所以在我们迭代完所有批次后，数据会被打乱（有关数据加载顺序的更精细控制，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}")
data tutorial
Feature batch shape: torch.Size([64, 1, 28, 28])
Labels batch shape: torch.Size([64])
Label: 5

进一步阅读#

脚本总运行时间： (0 分钟 5.074 秒)

在此页面上
PyTorch 库