解决Pytorch dataloader时报错每个tensor维度不一样的问题
作者：XJTU-Qidong
使用pytorch的dataloader报错：
RuntimeError: stack expects each tensor to be equal size, but got [2] at entry 0 and [1] at entry 1
1. 问题描述
报错定位:位于定义dataset的代码中
def __getitem__(self, index): ... return y #此处报错
报错内容
File "D:\python\lib\site-packages\torch\utils\data\_utils\collate.py", line 55, in default_collate
return torch.stack(batch, 0, out=out)
RuntimeError: stack expects each tensor to be equal size, but got [2] at entry 0 and [1] at entry 1
把前一行的报错带上能够更清楚地明白问题在哪里.
2.问题分析
从报错可以看到,是在代码中执行torch.stack时发生了报错.因此必须要明白在哪里执行了stack操作.
通过调试可以发现,在通过loader加载一个batch数据的时候,是通过每一次给一个随机的index取出相应的向量.那么最终要形成一个batch的数据就必须要进行拼接操作,而torch.stack就是进行这里所说的拼接.
再来看看具体报的什么错: 说是stack的向量维度不同. 这说明在每次给出一个随机的index,返回的y向量的维度应该是相同的,而我们这里是不同的.
这样解决方法也就明确了:使返回的向量y的维度固定下来.
3.问题出处
为什么我会出现这样的一个问题,是因为我的特征向量中存在multi-hot特征.而为了节省空间,我是用一个列表存储这个特征的.示例如下:
feature=[[1,3,5], [0,2], [1,2,5,8]]
这就导致了我每次返回的向量的维度是不同的.因此可以采用向量补全的方法,把不同长度的向量补全成等长的.
# 把所有向量的长度都补为6 multi = np.pad(multi, (0, 6-multi.shape[0]), 'constant', constant_values=(0, -1))
4.总结
在构建dataset重写的__getitem__方法中要返回相同长度的tensor.
可以使用向量补全的方法来解决这个问题.
补充：pytorch学习笔记：torch.utils.data下的TensorDataset和DataLoader的使用
一、TensorDataset
对给定的tensor数据(样本和标签)，将它们包装成dataset。注意，如果是numpy的array，或者Pandas的DataFrame需要先转换成Tensor。
'''
data_tensor (Tensor) － 样本数据
target_tensor (Tensor) － 样本目标（标签）
'''
dataset=torch.utils.data.TensorDataset(data_tensor,
target_tensor)
下面举个例子：
我们先定义一下样本数据和标签数据，一共有1000个样本
import torch
import numpy as np
num_inputs = 2
num_examples = 1000
true_w = [2, -3.4]
true_b = 4.2
features = torch.tensor(np.random.normal(0, 1,
(num_examples, num_inputs)),
dtype=torch.float)
labels = true_w[0] * features[:, 0] + \
true_w[1] * features[:, 1] + true_b
labels += torch.tensor(np.random.normal(0, 0.01,
size=labels.size()),
dtype=torch.float)
print(features.shape)
print(labels.shape)
'''
输出：torch.Size([1000, 2])
torch.Size([1000])
'''
然后我们使用TensorDataset来生成数据集
import torch.utils.data as Data # 将训练数据的特征和标签组合 dataset = Data.TensorDataset(features, labels)
二、DataLoader
数据加载器，组合数据集和采样器，并在数据集上提供单进程或多进程迭代器。它可以对我们上面所说的数据集Dataset作进一步的设置。
dataset (Dataset) – 加载数据的数据集。
batch_size (int, optional) – 每个batch加载多少个样本(默认: 1)。
shuffle (bool, optional) – 设置为True时会在每个epoch重新打乱数据(默认: False).
sampler (Sampler, optional) – 定义从数据集中提取样本的策略。如果指定，则shuffle必须设置成False。
num_workers (int, optional) – 用多少个子进程加载数据。0表示数据将在主进程中加载(默认: 0)
pin_memory：内存寄存，默认为False。在数据返回前，是否将数据复制到CUDA内存中。
drop_last (bool, optional) – 如果数据集大小不能被batch size整除，则设置为True后可删除最后一个不完整的batch。如果设为False并且数据集的大小不能被batch size整除，则最后一个batch将更小。(默认: False)
timeout：是用来设置数据读取的超时时间的，如果超过这个时间还没读取到数据的话就会报错。 所以，数值必须大于等于0。
data_iter=torch.utils.data.DataLoader(dataset, batch_size=1,
shuffle=False, sampler=None,
batch_sampler=None, num_workers=0,
collate_fn=None, pin_memory=False,
drop_last=False, timeout=0,
worker_init_fn=None,
multiprocessing_context=None)
上面对一些重要常用的参数做了说明，其中有一个参数是sampler，下面我们对它有哪些具体取值再做一下说明。只列出几个常用的取值：
torch.utils.data.sampler.SequentialSampler(dataset)
样本元素按顺序采样，始终以相同的顺序。
torch.utils.data.sampler.RandomSampler(dataset)
样本元素随机采样，没有替换。
torch.utils.data.sampler.SubsetRandomSampler(indices)
样本元素从指定的索引列表中随机抽取，没有替换。
下面就来看一个例子，该例子使用的dataset就是上面所生成的dataset
data_iter=Data.DataLoader(dataset,
batch_size=10,
shuffle=False,
sampler=torch.utils.data.sampler.RandomSampler(dataset))
for X, y in data_iter:
print(X,"\n", y)
break
'''
输出：
tensor([[-1.6338, 0.8451],
[ 0.7245, -0.7387],
[ 0.4672, 0.2623],
[-1.9082, 0.0980],
[-0.3881, 0.5138],
[-0.6983, -0.4712],
[ 0.1400, 0.7489],
[-0.7761, -0.4596],
[-2.2700, -0.2532],
[-1.2641, -2.8089]])
tensor([-1.9451, 8.1587, 4.2374, 0.0519, 1.6843, 4.3970,
1.9311, 4.1999,0.5253, 11.2277])
'''
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。