1. 先前處理資料集的代碼經常比較混亂并且難以維護
2. 資料集處理代碼應該和訓練代碼解耦合,進而達到子產品化和更好的可讀性
是以,pytorch提出了兩個資料處理類:DataLoader與Dataset
from torch.utils.data import Dataset, DataLoader
class SimpleDataset(Dataset):
def __init__(self, size):
self.x = [i for i in range(size)]
def __getitem__(self, index):
return self.x[index]
def __len__(self):
return len(self.x)
dataset = SimpleDataset(322)
# 将dataset對象傳入DataLoader類
dataloader = DataLoader(dataset, batch_size=32, shuffle=True, drop_last=False)
# 此處不執行,生成器
for idx, data in enumerate(dataloader):
print(idx)
print(len(data))
當處理自己的資料時,需要繼承Dataset類,重寫__init__, __len__, __getitem__函數。
__init__:讀取資料集
__len__:擷取整個資料集的樣本個數
__getitem__:擷取樣本中的第index個樣本
當你需要加載資料時,将dataset對象傳入DataLoader類
batch_size:将資料集分成大小為batch_size的序列
shuffle:是否打亂資料。如果打亂,擷取樣本并不是按照順序的,多次執行dataloader擷取的資料内容也不一樣的
drop_last:将資料集按照batch_size大小分批,如果有剩餘,是否丢掉剩餘的
上面每條樣本隻有一個資料,當一條樣本對應于多個資料時,需要用到字典:
from torch.utils.data import Dataset, DataLoader
class SimpleDataset(Dataset):
def __init__(self, size):
self.x = [i for i in range(size)]
self.y = [i + 1 for i in range(size)]
def __getitem__(self, index):
sample = {"x": self.x[index], "y": self.y[index]}
return sample
def __len__(self):
return len(self.x)
dataset = SimpleDataset(322)
dataloader = DataLoader(dataset, batch_size=32, shuffle=True, drop_last=False)
for idx, data in enumerate(dataloader):
print(idx)
print(len(data))
對于非向量化的資料同樣可處理:
from torch.utils.data import Dataset, DataLoader
class SimpleDataset(Dataset):
def __init__(self, size):
self.x = ["I love you" for i in range(size // 2)] + ["I love you very much" for i in range(size // 2, size)]
self.y = [i + 1 for i in range(size)]
def __getitem__(self, index):
sample = {"x": self.x[index], "y": self.y[index]}
return sample
def __len__(self):
return len(self.x)
dataset = SimpleDataset(322)
dataloader = DataLoader(dataset, batch_size=32, shuffle=True, drop_last=False)
for idx, data in enumerate(dataloader):
print(idx)
print(len(data))
讀取文本後再向量化有一個好處,就是進行padding時,隻需要考慮目前batch中最大長度,而不需要考慮整個資料集的最大長度。
并且如果資料集太大,無法在SimpleDataset的__init__函數中全部向量化,則可以隻讀原始資料,通過dataloader分批之後再向量化。
但是以下處理是錯誤的:
from torch.utils.data import Dataset, DataLoader
class SimpleDataset(Dataset):
def __init__(self, size):
self.x = ["I love you".split() for i in range(size // 2)] + \
["I love you very much".split() for i in range(size // 2, size)]
# self.x 裡面的元素為清單,自動解析成每個樣本對應的多個元素;
# 但是因為清單的長度不一緻,後面清單中的very,much取不到,因為有的樣本不包含這兩個元素
self.y = [i + 1 for i in range(size)]
def __getitem__(self, index):
sample = {"x": self.x[index], "y": self.y[index]}
return sample
def __len__(self):
return len(self.x)
dataset = SimpleDataset(322)
dataloader = DataLoader(dataset, batch_size=32, shuffle=True, drop_last=False)
for idx, data in enumerate(dataloader):
print(idx)
print(len(data))