用于处理数据样本的代码可能会变得凌乱且难以维护；理想情况下，我们希望数据集代码和模型训练代码解耦（分离），以获得更好的可读性和模块性。PyTorch提供了两个data primitives：torch.utils.data.DataLoader 和 torch.utils.data.Dataset，允许你使用预加载的datasets和你自己的data。Dataset 存储样本及其对应的标签，DataLoader 给 Dataset 包装了一个迭代器，以便访问样本。

PyTorch库提供了一些预加载的数据集（如FashionMNIST），它们是 torch.utils.data.Dataset 的子类，特定的数据对应特定的实现函数。它们可以用来原型化和基准化你的模型。你可以在这里查看它们：Image Datasets, Text Datasets, and Audio Datasets。

加载数据集

这是一个怎样从TorchVision加载Fashion-MNIST数据集的例子。Fashion-MNIST来自于Zalando的文章，由60000张训练样本和10000张测试样本组成。每一个样本包含一个28x28
的灰度图片和对应的10类中的1个类的标签。

我们用以下参数加载FashionMNIST Dataset

• root 是训练/测试数据的保存路径
• train 指定是训练集还是测试集
• download=True 如果 root 中没有，则从网上下载
• transform 和 target_transform 指定样本的变换

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()
)

输出：

Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz to data/FashionMNIST/raw/train-images-idx3-ubyte.gz
Extracting data/FashionMNIST/raw/train-images-idx3-ubyte.gz to data/FashionMNIST/raw

Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gz to data/FashionMNIST/raw/train-labels-idx1-ubyte.gz
Extracting data/FashionMNIST/raw/train-labels-idx1-ubyte.gz to data/FashionMNIST/raw

Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gz to data/FashionMNIST/raw/t10k-images-idx3-ubyte.gz
Extracting data/FashionMNIST/raw/t10k-images-idx3-ubyte.gz to data/FashionMNIST/raw

Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz
Extracting data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw

迭代和数据集可视化

我们可以像list一样索引Datasets：training_data[index]。使用 matplotlib 可视化一些训练集的样本。

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")
    # torch.squeeze():删除维数为1的维度
    plt.imshow(img.squeeze(), cmap="gray")
plt.show()

创建自定义数据集

一个自定义的数据集类必须实现三个函数：init,len,getitem。查看下面的实现过程，FashionMNIST图片保存在 img_dir，它们的标签分别保存在一个CSV文件（逗号分隔值文件） annotations_file 中。

下一节，我们将分解每个函数做了什么的。

import os
import pandas as pd
from torchvision.io import read_image

class CustomImageDataset(Dataset):
    def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
        # 利用pandas读取csv并转换为DataFrame
        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 = read_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

一旦实例化Datase对象，函数__init__ 就会立即运行：初始化包含图片的目录，标签文件，以及两个转换（下一节有更详细的介绍）

labels.csv类似这样：

tshirt1.jpg, 0
tshirt2.jpg, 0
...
anleboot999.jpg, 9

def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
    # 这里指定了列名
    self.img_labels = pd.read_csv(annotations_file, names=['file_name', 'labels'])
    self.img_dir = img_dir
    self.transform = transform
    self.target_transform = target_transform

len

__len__ 函数返回数据集的样本数

例如：

def __len__(self):
    return len(self.img_labels)

getitem

__getitem__函数加载和返回数据集中给定索引 idx 的样本。根据索引，它获得了硬盘上图片的位置，利用 read_image 转换为tensor，在 self.img_labels ，从csv中检索相应的标签，并调用转换函数（如果可用），返回一个包含图片和对应标签张量的元组。

def __getitem__(self, idx):
    img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
    image = read_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

利用DataLoader为训练准备你的数据

Dataset只能同时检索一个样本的数据特征和标签。当训练模型时，通常需要传递“minibatches”样本，每一个epoch重复打乱数据减少过拟合，并使用Python的 multiprocessing 加速数据检索。

DataLoader 是一个迭代器。

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)

通过DataLoader迭代

我们已经将该数据集加载到 DataLoader，根据需要可以对数据集进行迭代。每次迭代返回一个 train_features 和 train_labels 的batch（分别包含 batch_size=64的特征和标签）。因为我们指定了 shuffle=True， 在我们迭代完所有的batch之后，数据就会被打乱（为了对数据加载顺序进行更细致的控制，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}")

输出：

Feature batch shape: torch.Size([64, 1, 28, 28])
Labels batch shape: torch.Size([64])
Label: 7

延伸阅读

• torch.utils.data API