【PyTorch】PyTorch中的数据预处理操作

PyTorch深度学习总结

第十二章 PyTorch中的数据预处理操作

---

---

前言

上文介绍了PyTorch中torch.nn模块的全连接层，本文将介绍PyTorch中torch.utils.data 模块的数据处理操作：

---

一、torch.utils.data 模块

torch.utils.data 是 PyTorch 中用于数据处理和加载的重要模块，它提供了一系列工具和类，方便用户对数据集进行管理和操作。以下是对该模块的详细介绍：

1. 核心组件

1.1 Dataset 类

• 作用：Dataset 类是一个抽象基类，用于表示数据集。用户需要继承这个类并实现 __len__ 和 __getitem__ 方法，以定义数据集的长度和如何获取数据集中的单个样本。
• 示例：

import torch
from torch.utils.data import Datasetclass MyDataset(Dataset):def __init__(self, data):self.data = datadef __len__(self):return len(self.data)def __getitem__(self, idx):return self.data[idx]data = [1, 2, 3, 4, 5]
dataset = MyDataset(data)
print(len(dataset))  
print(dataset[2])    

• 解释：在这个示例中，我们创建了一个自定义的数据集类 MyDataset，它接受一个列表作为数据。__len__ 方法返回数据集的长度，__getitem__ 方法根据索引返回数据集中的单个样本。

1.2 DataLoader 类

• 作用：DataLoader 类用于将数据集封装成一个可迭代的对象，支持批量加载数据、打乱数据顺序、多线程加载等功能，方便在训练模型时使用。
• 示例：

from torch.utils.data import DataLoaderdataloader = DataLoader(dataset, batch_size=2, shuffle=True)
for batch in dataloader:print(batch)

• 解释：在这个示例中，我们将之前创建的 dataset 封装成一个 DataLoader 对象，设置批量大小为 2，并开启数据打乱功能。然后通过迭代 DataLoader 对象，可以逐批获取数据。

---

2.常用工具类

2.1 Subset 类

• 作用：Subset 类用于创建数据集的子集，通过指定数据集和索引列表来获取子集中的数据。
• 示例：

from torch.utils.data import Subsetsubset = Subset(dataset, [0, 2, 4])
print(len(subset))  
print(subset[1])    

• 解释：在这个示例中，我们创建了 dataset 的一个子集 subset，只包含索引为 0、2、4 的样本。

2.2 ConcatDataset 类

• 作用：ConcatDataset 类用于将多个数据集合并成一个数据集。
• 示例：

from torch.utils.data import ConcatDatasetdataset1 = MyDataset([1, 2, 3])
dataset2 = MyDataset([4, 5, 6])
concat_dataset = ConcatDataset([dataset1, dataset2])
print(len(concat_dataset))  
print(concat_dataset[4])    

• 解释：在这个示例中，我们将两个自定义的数据集 dataset1 和 dataset2 合并成一个新的数据集 concat_dataset。

3. 数据采样器

3.1 RandomSampler 类

• 作用：RandomSampler 类用于随机采样数据集中的样本，常用于打乱数据顺序。
• 示例：

from torch.utils.data import RandomSamplersampler = RandomSampler(dataset)
dataloader = DataLoader(dataset, batch_size=2, sampler=sampler)
for batch in dataloader:print(batch)

• 解释：在这个示例中，我们使用 RandomSampler 类对数据集进行随机采样，然后将采样器传递给 DataLoader 对象，这样在加载数据时会随机获取样本。

3.2 SequentialSampler 类

• 作用：SequentialSampler 类用于按顺序采样数据集中的样本。
• 示例：

from torch.utils.data import SequentialSamplersampler = SequentialSampler(dataset)
dataloader = DataLoader(dataset, batch_size=2, sampler=sampler)
for batch in dataloader:print(batch)

• 解释：在这个示例中，我们使用 SequentialSampler 类对数据集进行顺序采样，然后将采样器传递给 DataLoader 对象，这样在加载数据时会按顺序获取样本。

---

二、常用函数

操作函数	功能
torch.utils.data.TensorDataset()	将数据处理为张量
torch.utils.data.ConcatDataset()	连接多个数据集
torch.utils.data.Subset()	根据索引获取数据集的子集
torch.utils.data.DataLoader()	数据加载器
torch.utils.data.random_split()	随机将数据集拆分为给定长度的非重叠新数据集