PyTorch的Dataset 和TorchData API的比较-编程知识

深度神经网络需要很长时间来训练。训练速度受模型的复杂性、批大小、GPU、训练数据集的大小等因素的影响。

在PyTorch中，torch.utils.data.Dataset和torch.utils.data.DataLoader通常用于加载数据集和生成批处理。但是从版本1.11开始，PyTorch引入了TorchData库，它实现了一种不同的加载数据集的方法。

在本文中，我们将比较数据集比较大的情况下这两两种方法是如何工作的。我们以CelebA和DigiFace1M的面部图像为例。表1显示了它们的比较特征。我们训练使用ResNet-50模型。然后进行1轮的训练来进行使用方法和时间的比较。

数据集的信息如下：

CelebA (align) 图片数：202,599 总大小：1.4 图片大小：178x218

DigiFace1M 图片数：720,000 总大小：14.6 图片大小：112x112

我们使用的环境如下：

CPU: Intel® Core™ i9-9900K CPU @ 3.60GHz(16核)

GPU: GeForce RTX 2080 Ti 11Gb

驱动版本515.65.01 / CUDA 11.7 / CUDNN 8.4.0.27

Docker 20.10.21

Pytorch 1.12.1

TrochData 0.4.1

训练的代码如下：

 def train(data_loader: torch.utils.data.DataLoader, cfg: Config):# create modelmodel = resnet50(num_classes=cfg.n_celeba_classes + cfg.n_digiface1m_classes, pretrained=True)torch.cuda.set_device(cfg.gpu)model = model.cuda(cfg.gpu)model.train()# define loss function (criterion) and optimizercriterion = torch.nn.CrossEntropyLoss().cuda(cfg.gpu)optimizer = torch.optim.SGD(model.parameters(), lr=0.1,momentum=0.9,weight_decay=1e-4)start_time = time.time()for _ in range(cfg.epochs):scaler = torch.cuda.amp.GradScaler(enabled=cfg.use_amp)for batch_idx, (images, target) in enumerate(data_loader):images = images.cuda(cfg.gpu, non_blocking=True)target = target.cuda(cfg.gpu, non_blocking=True)# compute outputwith torch.cuda.amp.autocast(enabled=cfg.use_amp):output = model(images)loss = criterion(output, target)# compute gradientscaler.scale(loss).backward()# do SGD stepscaler.step(optimizer)scaler.update()optimizer.zero_grad()print(batch_idx, loss.item())print(f'{time.time() - start_time} sec')

Dataset

首先看看Dataset,这是自从Pytorch发布以来一直使用的方式，我们对这个应该非常熟悉。PyTorch 支持两种类型的数据集：map-style Datasets 和 iterable-style Datasets。Map-style Dataset 在预先知道元素个数的情况下使用起来很方便。

该类实现了__getitem__()和__len__()方法。如果通过索引读取太费时间或者无法获得，那么可以使用 iterable-style，需要实现__iter__() 方法。在我们的例子中，map-style已经可以了，因为对于 CelebA 和 DigiFace1M 数据集，我们知道其中的图像总数。

下面我们创建CelebADataset 类。对于 CelebA，类标签位于 identity_CelebA.txt 文件中。CelebA 和 DigiFace1M 中的面部图像在裁剪方面有所不同，因此为了在图像上传后减少getitem方法中的这些差异，必须从各个方面稍微裁剪它们。

 from PIL import Imagefrom torch.utils.data import Datasetclass CelebADataset(torch.utils.data.Dataset):def __init__(self, data_path: str, transform) -> None:self.data_path = data_pathself.transform = transformself.image_names, self.labels = self.load_labels(f'{data_path}/identity_CelebA.txt')def __len__(self) -> int:return len(self.image_names)def  __getitem__(self, idx: int) -> Tuple[torch.Tensor, int]:image_path = f'{self.data_path}/img_align_celeba/{self.image_names[idx]}'image = Image.open(image_path)left, right, top, bottom = 25, 153, 45, 173image = image.crop((left, top, right, bottom))if self.transform is not None:image = self.transform(image)label = self.labels[idx]return image, label@staticmethoddef load_labels(labels_path: str) -> Tuple[list, list]:image_names, labels = [], []with open(labels_path, 'r', encoding='utf-8') as labels_file:lines = labels_file.readlines()for line in lines:file_name, class_id = line.split(' ')image_names.append(file_name)labels.append(int(class_id[:-1]))return image_names, labels

对于DigiFace1M数据集，同一类的所有图像都在一个单独的文件夹中。但是这两个数据集中，类的标签是相同的，所以对于在DigiFace1M我们不需要获取类别，而是在CelebA中按类增加。所以我们需要add_to_class变量。另外就是DigiFace1M中的图像以“RGBA”格式存储，因此仍需将其转换为“RGB”。

 class DigiFace1M(torch.utils.data.Dataset):def __init__(self, data_path: str, transform, add_to_class: int = 0) -> None:self.data_path = data_pathself.transform = transformself.image_paths, self.labels = self.load_labels(data_path, add_to_class)def __len__(self):return len(self.image_paths)def __getitem__(self, idx: int) -> Tuple[torch.Tensor, int]:image = Image.open(self.image_paths[idx]).convert('RGB')if self.transform is not None:image = self.transform(image)label = self.labels[idx]return image, label@staticmethoddef load_labels(data_path: str, add_to_class: int) -> Tuple[list, list]:image_paths, labels = [], []for root, _, files in os.walk(data_path):for file_name in files:if file_name.endswith('.png'):image_paths.append(f'{root}/{file_name}')labels.append(int(os.path.basename(root)) + add_to_class)return image_paths, labels

现在我们可以使用torch.utils.data将两个数据集合并为一个数据集ConcatDataset，创建DataLoader，开始训练。

 def main():cfg = Config()celeba_dataset = CelebADataset(f'{cfg.data_path}/CelebA', cfg.transform)digiface_dataset = DigiFace1M(f'{cfg.data_path}/DigiFace1M', cfg.transform, cfg.n_celeba_classes)dataset = torch.utils.data.ConcatDataset([celeba_dataset, digiface_dataset])loader = torch.utils.data.DataLoader(dataset=dataset,batch_size=cfg.batch_size,shuffle=True,drop_last=True,num_workers=cfg.n_workers)utils.train(loader, cfg)

TorchData API

与Dataset一样，TorchData支持map-style 和 iterable-style的数据处理管道。但是官方建议使用IterDataPipe，只在必要时将其转换为MapDataPipe。

因为TorchData提供了优化的数据加载实用程序，可以帮助我们方便的构建处理流程。以下是一些主要的功能:

IterableWrapper：包装可迭代对象以创建IterDataPipe。
FileListerr：给定目录的路径，将生成根目录内文件的文件路径名(path + filename)
Filterr：根据输入filter_fn(函数名:filter)从源数据口过滤元素
Mapperr：对源DataPipe中的每个项应用函数(函数名:map)
Concaterr：连接多个可迭代数据管道(函数名:concat)
Shufflerr：打乱输入DataPipe数据的顺序(函数名:shuffle)
ShardingFilterr：允许对DataPipe进行分片(函数名:sharding_filter)

使用TorchData 构建CelebA和DigiFace1M的数据处理管道，我们需要执行以下步骤:

对于CelebA数据集：创建一个列表(file_name, label， ’ CelebA ')，并使用IterableWrapper从它创建一个IterDataPipe

对于DigiFace1M：使用FileLister创建一个IterDataPipe，返回所有图像文件的路径，使用Mapper来使用collate_ann。这个函数以图像路径作为输入，并返回元组(file_name, label， ’ DigiFace1M ')。

上面两个步骤之后，我们得到两个数据类型(file_name, label, data_name)的结果。然后使用Concater将它们连接到一个数据管道中。

使用Shufflerr，打乱顺序，这与在DataLoader中设置了shuffle=True是一样的。

使用ShardingFilter将数据管道分割成片。每个worker将拥有原始DataPipe元素的n个部分，其中n等于worker的数量。（多线程处理，DataLoader中的num_worker）

最后就是从磁盘读取图像

完整代码如下：

 @torchdata.datapipes.functional_datapipe("load_image")class ImageLoader(torchdata.datapipes.iter.IterDataPipe):def __init__(self, source_datapipe, **kwargs) -> None:self.source_datapipe = source_datapipeself.transform = kwargs['transform']def __iter__(self) -> Tuple[torch.Tensor, int]:for file_name, label, data_name in self.source_datapipe:image = Image.open(file_name)if data_name == 'DigiFace1M':image = image.convert('RGB')elif data_name == 'CelebA':left, right, top, bottom = 25, 153, 45, 173image = image.crop((left, top, right, bottom))if self.transform is not None:image = self.transform(image)yield image, labeldef collate_ann(file_path):label = int(os.path.basename(os.path.dirname(file_path))) + N_CELEBA_CLASSESdata_name = os.path.basename(os.path.dirname(os.path.dirname(file_path)))return file_path, label, data_namedef load_celeba_labels(labels_path: str) -> Dict[str, int]:labels = []data_path = os.path.split(labels_path)[0]with open(labels_path, 'r', encoding='utf-8') as labels_file:lines = labels_file.readlines()for line in lines:file_name, class_id = line.split(' ')class_id = int(class_id[:-1])labels.append((f'{data_path}/img_align_celeba/{file_name}', class_id, 'CelebA'))return labelsdef build_datapipes(cfg: Config) -> torchdata.datapipes.iter.IterDataPipe:celeba_dp = torchdata.datapipes.iter.IterableWrapper(load_celeba_labels(labels_path=f'{cfg.data_path}/CelebA/identity_CelebA.txt'))digiface_dp = torchdata.datapipes.iter.FileLister(f'{cfg.data_path}/DigiFace1M', masks='*.png', recursive=True)digiface_dp = digiface_dp.map(collate_ann)datapipe = celeba_dp.concat(digiface_dp)datapipe = datapipe.shuffle(buffer_size=100000)datapipe = datapipe.sharding_filter()datapipe = datapipe.load_image(transform=cfg.transform)return datapipe

Torch的DataLoader是同时支持Datasets和DataPipe的，所以我们可以直接使用

 def main():cfg = Config()datapipe = build_datapipes(cfg)loader = torch.utils.data.DataLoader(dataset=datapipe,batch_size=cfg.batch_size,shuffle=True,drop_last=True,num_workers=cfg.n_workers)utils.train(loader, cfg)

加速数据读取的一个小技巧

批处理中耗时最长的操作之一是从磁盘读取图片。为了减少这个操作所花费的时间，可以加载所有图像并将它们分割成小的数据集，例如10,000张图像保存为.pickle文件。在读取时每一个worker只要读取一个相应的pickle文件即可

 def prepare_data():cfg = Config()cfg.transform = Noneos.makedirs(cfg.prepared_data_path, exist_ok=True)celeba_dataset = dataset_example.CelebADataset(f'{cfg.data_path}/CelebA', cfg.transform)digiface_dataset = dataset_example.DigiFace1M(f'{cfg.data_path}/DigiFace1M', cfg.transform, cfg.n_celeba_classes)dataset = torch.utils.data.ConcatDataset([celeba_dataset, digiface_dataset])shard_size = 10000next_shard = 0data = []shuffled_idxs = np.arange(len(dataset))np.random.shuffle(shuffled_idxs)for idx in tqdm(shuffled_idxs):data.append(dataset[idx])if len(data) == shard_size:with open(f'{cfg.prepared_data_path}/{next_shard}_shard.pickle', 'wb') as _file:pickle.dump(data, _file)next_shard += 1data = []with open(f'{cfg.prepared_data_path}/{next_shard}_shard.pickle', 'wb') as _file:pickle.dump(data, _file)

下面就是使用FileLister收集.pickle数据集的所有路径，按worker划分并在每个worker上加载.pickle数据。

 @torchdata.datapipes.functional_datapipe("load_pickle_data")class PickleDataLoader(torchdata.datapipes.iter.IterDataPipe):def __init__(self, source_datapipe, **kwargs) -> None:self.source_datapipe = source_datapipeself.transform = kwargs['transform']def __iter__(self) -> Tuple[torch.Tensor, int]:for file_name in self.source_datapipe:with open(file_name, 'rb') as _file:pickle_data = pickle.load(_file)for image, label in pickle_data:image = self.transform(image)yield image, labeldef build_datapipes(cfg: Config) -> torchdata.datapipes.iter.IterDataPipe:datapipe = torchdata.datapipes.iter.FileLister(cfg.prepared_data_path, masks='*.pickle')datapipe = datapipe.shuffle()datapipe = datapipe.sharding_filter()datapipe = datapipe.load_pickle_data(transform=cfg.transform)return datapipe

数据加载对比

我们比较三种不同数据加载方法。对于所有测试，batch_size = 600。

n workers	Datasets, sec	DataPipes, sec	DataPipe + pickle, sec
10	3581	7986	758
5	10034	2993	760

当在未准备好的数据上使用DataPipe进行训练时(不使用pickle)，前几百个批次生成非常快，GPU使用率几乎是100%，但随后速度逐渐下降，这种方法甚至比使用n_workers=10的数据集还要慢。虽然我理解这两种方法的速度是一样的因为执行的操作是一样的，但实际上却不一样

DataLoader的最佳n_workers没有一个固定值，因为这取决于任务(图像大小，图像预处理的复杂性等等)和计算机配置(HDD vs SSD)。

当在有大量小图像的数据集上训练时，做数据的准备是必要的的，比如将小文件组合成几个大文件，这样可以减少从磁盘读取数据的时间。但是使用这种方法需要在将数据写入shard之前彻底打乱数据，来避免学习收敛性恶化。还需要选择合理的shard大小（它应该足够大以防止磁盘问题并且足够小以有效地使用datappipes中的Shuffler打乱数据）。

最后本文的代码在这里，有兴趣的可以自行测试比较：

https://github.com/karinaodm/pytorch-compare-datasets-vs-datapipes