2. DATASETS & DATALOADERS

PyTorch提供了两个数据基元：torch.utils.data.DataLoader和torch.uutils.data.data集，允许使用预加载的数据集以及自己的数据。数据集存储样本及其相应的标签，DataLoader在数据集周围包装了一个可迭代项，以便于访问样本。

PyTorch域库提供了许多预加载的数据集（如FashionMNIST），这些数据集是torch.utils.data.Dataset的子类，并实现特定于特定数据的函数。它们可以用于原型和基准测试您的模型。数据集信息如下：图像数据集、文本数据集和音频数据集

2.1 载入数据集

接下来将展示如何通过TorchVision载入Fashion-MNIST数据集。Fashion MNIST是Zalando文章图像的数据集，由60000个训练示例和10000个测试示例组成。每个示例都是一个28x28灰度图像，与10个类中的一个标签相关联。Fashion-MNIST数据集包含了10个类别的图像，分别是：t-shirt（T恤），trouser（牛仔裤），pullover（套衫），dress（裙子），coat（外套），sandal（凉鞋），shirt（衬衫），sneaker（运动鞋），bag（包），ankle boot（短靴）。

我们使用下列参数载入Fashion-MNIST数据集：

root是训练\测试数据的存储路径
train指定训练或测试数据集
download=True表示若root中没有数据，则从互联网下载
transform和target_transform指定功能和标签转换

import torch
from torch.utils.data import Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plttraining_data = datasets.FashionMNIST(root="data",train=True,download=True,transform=ToTensor()
)test_data = datasets.FashionMNIST(root="data",train=False,download=True,transform=ToTensor()
)

2.2 数据集的迭代和可视化

我们可以像列表一样手动索引数据集：training_data[index]。我们使用matplotlib来可视化训练数据中的一些样本。

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")plt.imshow(img.squeeze(), cmap="gray")
plt.savefig("figure.jpg")
plt.show()

在这里插入图片描述

2.3 为文件创建自定义数据集

自定义数据集类必须实现三个函数：__init__、__len__和__getitem__。FashionMNIST图像存储在变量img_dir中，它们的标签分别存储在CSV文件annotations_file中。
在接下来的部分中，我们将分解这些函数中的每一个函数。

import os
import pandas as pd
from torchvision.io import read_imageclass CustomImageDataset(Dataset):# __init__函数在实例化数据集对象时运行一次。初始化包含图像、注释文件和这两个转换的目录。# labels.csv文件如下所示：# tshirt1.jpg, 0# tshirt2.jpg, 0# ......# ankleboot999.jpg, 9def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):self.img_labels = pd.read_csv(annotations_file)self.img_dir = img_dirself.transform = transformself.target_transform = target_transform# __len__函数返回数据集的样本数def __len__(self):return len(self.img_labels)# __getitem__函数从给定索引idx的数据集中加载并返回一个样本。根据索引，它识别图像在磁盘上的位置，使用read_image将其转换为张量，从self.img_labels中的csv数据中检索相应的标签，调用它们上的转换函数（如果适用），并在元组中返回张量图像和相应的标签。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

2.4 为使用DataLoaders进行培训准备数据

数据集检索数据集的特征，并一次标记一个样本。在训练模型时，我们通常希望在“迷你批次”中传递样本，在每个时期重新排列数据以减少模型过拟合，并使用Python的多处理来加快数据检索。
DataLoader是一个可迭代的程序，它用一个简单的API为我们抽象了这种复杂性。

from torch.utils.data import DataLoadertrain_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)

2.5 遍历DataLoader

我们已经将该数据集加载到DataLoader中，并可以根据需要对数据集进行迭代。下面的每个迭代都返回一批train_features和train_labels（分别包含batch_size=64个特征和标签）。因为我们指定了shuffle=True，所以在迭代所有批次之后，数据将被打乱。

# 展示图像和标签
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}")