Dataset & DataLoader

from torch.utils.data import Dataset, DataLoader

Dataset

torch 中的 Dataset 把数据集封装为一个可迭代的对象（也就是 python 中的 iterable），从而可以方便地使用 for 循环遍历获得数据实例。当然只是需要可迭代的话并不一定要用 Dataset，它的主要优点在于可以配合 DataLoader 类完成诸如 batching 等神经网络训练中的常用操作。

严格来说 Dataset 分为两种。data.Dataset 是 map-style 的，即拥有 __len__ 和 __getitem__ 方法（python 中的 sequence 接口）；data.IterableDataset 是 iterable-style 的，即拥有 __iter__ 方法（python 中的 iterable 接口）。关于这些方法的细节可以参阅 python 的相关文档。如果想要自定义 Dataset，只需要定义一个继承Dataset 或 IterableDataset 的类，然后重写上面提到的相应的方法即可。

以下代码实现了一个简单的自定义 map-style dataset：

class MyDataset(Dataset):
    def __init__(self):
        # self.data = ["To be or not to be, this is the question.".split(),] * 12
        # self.data = [[1,2,3,4],] * 12
        self.data = [torch.tensor([1,2,3,4]),] * 12
    def __len__(self):
        return len(self.data)
    def __getitem__(self, index):
        return self.data[index]

dataset = MyDataset()
for sample in dataset:
    print(sample) # will print tensor([1,2,3,4]) for 12 times

DataLoader

DataLoader 是用于加载 dataset 的类。其基本功能从构造参数就可以大致看出。常用的参数有 batch_size 、num_workers 、shuffle 等。

关于 num_workers 的选择：ref [4]

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, *, prefetch_factor=2,
           persistent_workers=False)

以下代码实现了一种对 DataLoader 的简单使用。数据集采用上文定义的 MyDataset 。

def test_dataloader():
    dataset = MyDataset()
    dataloader = DataLoader(dataset, batch_size = 4)
    for sample in dataloader:
        print(sample)
        break

test_dataloader() 
# output:
tensor([[1, 2, 3, 4],
        [1, 2, 3, 4],
        [1, 2, 3, 4],
        [1, 2, 3, 4]])