注意
转到末尾 下载完整的示例代码。
学习基础知识 || 快速入门 || 张量 || Datasets & DataLoaders || Transforms || 构建模型 || Autograd || 优化 || 保存 & 加载模型
Datasets & DataLoaders#
创建时间: Feb 09, 2021 | 最后更新: Jun 02, 2025 | 最后验证: Nov 05, 2024
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：torch.utils.data.DataLoader 和 torch.utils.data.Dataset，它们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 领域库提供了一系列预加载的数据集（例如 FashionMNIST），它们继承了 torch.utils.data.Dataset 并实现了特定于数据的函数。它们可用于原型设计和基准测试您的模型。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 个类别之一的相关标签。
- 我们使用以下参数加载 FashionMNIST 数据集
root是训练/测试数据存储的路径，train指定训练集或测试集，download=True会在数据未在root路径下找到时从互联网下载数据。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, 365kB/s]
1%| | 197k/26.4M [00:00<00:33, 785kB/s]
2%|▏ | 426k/26.4M [00:00<00:24, 1.08MB/s]
5%|▍ | 1.31M/26.4M [00:00<00:07, 3.44MB/s]
13%|█▎ | 3.47M/26.4M [00:00<00:03, 7.39MB/s]
29%|██▉ | 7.70M/26.4M [00:00<00:01, 16.5MB/s]
44%|████▍ | 11.6M/26.4M [00:00<00:00, 19.0MB/s]
63%|██████▎ | 16.6M/26.4M [00:01<00:00, 26.7MB/s]
79%|███████▉ | 20.8M/26.4M [00:01<00:00, 25.9MB/s]
97%|█████████▋| 25.7M/26.4M [00:01<00:00, 31.5MB/s]
100%|██████████| 26.4M/26.4M [00:01<00:00, 19.4MB/s]
0%| | 0.00/29.5k [00:00<?, ?B/s]
100%|██████████| 29.5k/29.5k [00:00<00:00, 327kB/s]
0%| | 0.00/4.42M [00:00<?, ?B/s]
1%|▏ | 65.5k/4.42M [00:00<00:12, 362kB/s]
4%|▎ | 164k/4.42M [00:00<00:06, 634kB/s]
10%|█ | 459k/4.42M [00:00<00:03, 1.20MB/s]
30%|██▉ | 1.31M/4.42M [00:00<00:00, 3.40MB/s]
81%|████████ | 3.57M/4.42M [00:00<00:00, 7.59MB/s]
100%|██████████| 4.42M/4.42M [00:00<00:00, 6.10MB/s]
0%| | 0.00/5.15k [00:00<?, ?B/s]
100%|██████████| 5.15k/5.15k [00:00<00:00, 56.5MB/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()
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；FashionMNIST 图像存储在名为 img_dir 的目录中，它们的标签单独存储在名为 annotations_file 的 CSV 文件中。
在接下来的部分，我们将详细介绍这些函数中的每一个。
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 对象时执行一次。我们初始化包含图像的目录、注释文件以及所有转换（将在下一节中更详细地介绍）。
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__ 函数根据给定的索引 idx 加载并返回数据集中的一个样本。根据索引，它会确定图像在磁盘上的位置，使用 decode_image 将其转换为张量，从 self.img_labels 的 CSV 数据中检索相应的标签，（如果适用）对它们调用转换函数，然后将张量图像和相应的标签以元组的形式返回。
使用 DataLoaders 为训练准备数据#
Dataset 一次检索一个样本的数据集特征和标签。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)
遍历 DataLoader#
我们将数据集加载到 DataLoader 中，并可以根据需要迭代数据集。下面的每个迭代都会返回一批 train_features 和 train_labels（分别包含 batch_size=64 的特征和标签）。因为我们设置了 shuffle=True，所以当我们遍历完所有批次后，数据会被洗牌（有关对数据加载顺序进行更精细控制，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}")
Feature batch shape: torch.Size([64, 1, 28, 28])
Labels batch shape: torch.Size([64])
Label: 8
进一步阅读#
脚本总运行时间： (0 分 4.937 秒)
