Pytorch中TensorDataset,DataLoader的联合使用方式
作者：拥抱晨曦之温暖
Pytorch中TensorDataset,DataLoader的联合使用
首先从字面意义上来理解TensorDataset和DataLoader,TensorDataset是个只用来存放tensor(张量)的数据集，而DataLoader是一个数据加载器，一般用到DataLoader的时候就说明需要遍历和操作数据了。
TensorDataset(tensor1,tensor2)的功能就是形成数据tensor1和标签tensor2的对应，也就是说tensor1中是数据，而tensor2是tensor1所对应的标签。
来个小例子
from torch.utils.data import TensorDataset,DataLoader import torch a = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9], [1, 2, 3], [4, 5, 6], [7, 8, 9], [1, 2, 3], [4, 5, 6], [7, 8, 9], [1, 2, 3], [4, 5, 6], [7, 8, 9]]) b = torch.tensor([44, 55, 66, 44, 55, 66, 44, 55, 66, 44, 55, 66]) train_ids = TensorDataset(a,b) # 切片输出 print(train_ids[0:4]) # 第0,1,2,3行 # 循环取数据 for x_train,y_label in train_ids: print(x_train,y_label)
下面是对应的输出：
(tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9],
[1, 2, 3]]), tensor([44, 55, 66, 44]))
===============================================
tensor([1, 2, 3]) tensor(44)
tensor([4, 5, 6]) tensor(55)
tensor([7, 8, 9]) tensor(66)
tensor([1, 2, 3]) tensor(44)
tensor([4, 5, 6]) tensor(55)
tensor([7, 8, 9]) tensor(66)
tensor([1, 2, 3]) tensor(44)
tensor([4, 5, 6]) tensor(55)
tensor([7, 8, 9]) tensor(66)
tensor([1, 2, 3]) tensor(44)
tensor([4, 5, 6]) tensor(55)
tensor([7, 8, 9]) tensor(66)
从输出结果我们就可以很好的理解，tensor型数据和tensor型标签的对应了，这就是TensorDataset的基本应用。
接下来我们把构造好的TensorDataset封装到DataLoader来操作里面的数据：
# 参数说明，dataset=train_ids表示需要封装的数据集，batch_size表示一次取几个
# shuffle表示乱序取数据，设为False表示顺序取数据，True表示乱序取数据
train_loader = DataLoader(dataset=train_ids,batch_size=4,shuffle=False)
# 注意enumerate返回值有两个,一个是序号，一个是数据（包含训练数据和标签）
for i,data in enumerate(train_loader,1):
train_data, label = data
print(' batch:{0} train_data:{1} label: {2}'.format(i+1, train_data, label))下面是对应的输出：
batch:1 x_data:tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9],
[1, 2, 3]]) label: tensor([44, 55, 66, 44])
batch:2 x_data:tensor([[4, 5, 6],
[7, 8, 9],
[1, 2, 3],
[4, 5, 6]]) label: tensor([55, 66, 44, 55])
batch:3 x_data:tensor([[7, 8, 9],
[1, 2, 3],
[4, 5, 6],
[7, 8, 9]]) label: tensor([66, 44, 55, 66])
至此，TensorDataset和DataLoader的联合使用就介绍完了。
我们再看一下这两种方法的源码：
class TensorDataset(Dataset[Tuple[Tensor, ...]]): r"""Dataset wrapping tensors. Each sample will be retrieved by indexing tensors along the first dimension. Arguments: *tensors (Tensor): tensors that have the same size of the first dimension. """ tensors: Tuple[Tensor, ...] def __init__(self, *tensors: Tensor) -> None: assert all(tensors[0].size(0) == tensor.size(0) for tensor in tensors) self.tensors = tensors def __getitem__(self, index): return tuple(tensor[index] for tensor in self.tensors) def __len__(self): return self.tensors[0].size(0) # 由于此类内容过多，故仅列举了与本文相关的参数，其余参数可以自行去查看源码 class DataLoader(Generic[T_co]): r""" Data loader. Combines a dataset and a sampler, and provides an iterable over the given dataset. The :class:`~torch.utils.data.DataLoader` supports both map-style and iterable-style datasets with single- or multi-process loading, customizing loading order and optional automatic batching (collation) and memory pinning. See :py:mod:`torch.utils.data` documentation page for more details. Arguments: dataset (Dataset): dataset from which to load the data. batch_size (int, optional): how many samples per batch to load (default: ``1``). shuffle (bool, optional): set to ``True`` to have the data reshuffled at every epoch (default: ``False``). """ dataset: Dataset[T_co] batch_size: Optional[int] def __init__(self, dataset: Dataset[T_co], batch_size: Optional[int] = 1, shuffle: bool = False): self.dataset = dataset self.batch_size = batch_size
Pytorch的DataLoader和Dataset以及TensorDataset的源码分析
1.为什么要用DataLoader和Dataset
要对大量数据进行加载和处理时因为可能会出现内存不够用的情况，这时候就需要用到数据集类Dataset或TensorDataset和数据集加载类DataLoader了。
使用这些类后可以将原本的数据分成小块，在需要使用的时候再一部分一本分读进内存中，而不是一开始就将所有数据读进内存中。
2.Dateset的使用
pytorch中的torch.utils.data.Dataset是表示数据集的抽象类，但它一般不直接使用，而是通过自定义一个数据集来使用。
来自定义数据集应该继承Dataset并应该有实现返回数据集尺寸的__len__方法和用来获取索引数据的__getitem__方法。
Dataset类的源码如下：
class Dataset(object): r"""An abstract class representing a :class:`Dataset`. All datasets that represent a map from keys to data samples should subclass it. All subclasses should overwrite :meth:`__getitem__`, supporting fetching a data sample for a given key. Subclasses could also optionally overwrite :meth:`__len__`, which is expected to return the size of the dataset by many :class:`~torch.utils.data.Sampler` implementations and the default options of :class:`~torch.utils.data.DataLoader`. .. note:: :class:`~torch.utils.data.DataLoader` by default constructs a index sampler that yields integral indices. To make it work with a map-style dataset with non-integral indices/keys, a custom sampler must be provided. """ def __getitem__(self, index): raise NotImplementedError def __add__(self, other): return ConcatDataset([self, other]) # No `def __len__(self)` default? # See NOTE [ Lack of Default `__len__` in Python Abstract Base Classes ] # in pytorch/torch/utils/data/sampler.py
可以看到Dataset类中没有__len__方法，虽然有__getitem__方法，但是并没有实现啥有用的功能。
所以要写一个Dataset类的子类来实现其应有的功能。
自定义类的实现举例：
import torch
from torch.utils.data import Dataset, DataLoader, TensorDataset
from torch.autograd import Variable
import numpy as np
import pandas as pd
value_df = pd.read_csv('data1.csv'）
value_array = np.array(value_df)
print("value_array.shape =", value_array.shape) # (73700, 300)
value_size = value_array.shape[0] # 73700
train_size = int(0.7*value_size)
train_array = val_array[:train_size]
train_label_array = val_array[60:train_size+60]
class DealDataset(Dataset):
"""
下载数据、初始化数据，都可以在这里完成
"""
def __init__(self, *arrays):
assert all(arrays[0].shape[0] == array.shape[0] for array in arrays)
self.arrays = arrays
def __getitem__(self, index):
return tuple(array[index] for array in self.arrays)
def __len__(self):
return self.arrays[0].shape[0]
# 实例化这个类，然后我们就得到了Dataset类型的数据，记下来就将这个类传给DataLoader，就可以了。
train_dataset = DealDataset(train_array, train_label_array)
train_loader2 = DataLoader(dataset=train_dataset,
batch_size=32,
shuffle=True)
for epoch in range(2):
for i, data in enumerate(train_loader2):
# 将数据从 train_loader 中读出来,一次读取的样本数是32个
inputs, labels = data
# 将这些数据转换成Variable类型
inputs, labels = Variable(inputs), Variable(labels)
# 接下来就是跑模型的环节了，我们这里使用print来代替
print("epoch：", epoch, "的第", i, "个inputs", inputs.data.size(), "labels", labels.data.size())结果：
epoch： 0 的第 0 个inputs torch.Size([32, 300]) labels torch.Size([32, 300])
epoch： 0 的第 1 个inputs torch.Size([32, 300]) labels torch.Size([32, 300])
epoch： 0 的第 2 个inputs torch.Size([32, 300]) labels torch.Size([32, 300])
epoch： 0 的第 3 个inputs torch.Size([32, 300]) labels torch.Size([32, 300])
epoch： 0 的第 4 个inputs torch.Size([32, 300]) labels torch.Size([32, 300])
epoch： 0 的第 5 个inputs torch.Size([32, 300]) labels torch.Size([32, 300])
...
3.TensorDataset的使用
TensorDataset是可以直接使用的数据集类，它的源码如下：
class TensorDataset(Dataset): r"""Dataset wrapping tensors. Each sample will be retrieved by indexing tensors along the first dimension. Arguments: *tensors (Tensor): tensors that have the same size of the first dimension. """ def __init__(self, *tensors): assert all(tensors[0].size(0) == tensor.size(0) for tensor in tensors) self.tensors = tensors def __getitem__(self, index): return tuple(tensor[index] for tensor in self.tensors) def __len__(self): return self.tensors[0].size(0)
可以看到TensorDataset类是Dataset类的子类，且拥有返回数据集尺寸的__len__方法和用来获取索引数据的__getitem__方法，所以可以直接使用。
它的结构跟上面自定义的子类的结构是一样的，惟一的不同是TensorDataset已经规定了传入的数据必须是torch.Tensor类型的，而自定义子类可以自由设定。
使用举例：
import torch
from torch.utils.data import Dataset, DataLoader, TensorDataset
from torch.autograd import Variable
import numpy as np
import pandas as pd
value_df = pd.read_csv('data1.csv'）
value_array = np.array(value_df)
print("value_array.shape =", value_array.shape) # (73700, 300)
value_size = value_array.shape[0] # 73700
train_size = int(0.7*value_size)
train_array = val_array[:train_size]
train_tensor = torch.tensor(train_array, dtype=torch.float32).to(device)
train_label_array = val_array[60:train_size+60]
train_labels_tensor = torch.tensor(train_label_array,dtype=torch.float32).to(device)
train_dataset = TensorDataset(train_tensor, train_labels_tensor)
train_loader = DataLoader(dataset=train_dataset,
batch_size=100,
shuffle=False,
num_workers=0)
for epoch in range(2):
for i, data in enumerate(train_loader):
inputs, labels = data
inputs, labels = Variable(inputs), Variable(labels)
print(epoch, i, "inputs", inputs.data.size(), "labels", labels.data.size())结果：
0 0 inputs torch.Size([100, 300]) labels torch.Size([100, 300])
0 1 inputs torch.Size([100, 300]) labels torch.Size([100, 300])
0 2 inputs torch.Size([100, 300]) labels torch.Size([100, 300])
0 3 inputs torch.Size([100, 300]) labels torch.Size([100, 300])
0 4 inputs torch.Size([100, 300]) labels torch.Size([100, 300])
0 5 inputs torch.Size([100, 300]) labels torch.Size([100, 300])
0 6 inputs torch.Size([100, 300]) labels torch.Size([100, 300])
0 7 inputs torch.Size([100, 300]) labels torch.Size([100, 300])
0 8 inputs torch.Size([100, 300]) labels torch.Size([100, 300])
0 9 inputs torch.Size([100, 300]) labels torch.Size([100, 300])
0 10 inputs torch.Size([100, 300]) labels torch.Size([100, 300])
...
总结
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。