pytorch 数据载入

在PyTorch中，数据载入是训练深度学习模型的重要一环。

本文将介绍三种常用的数据载入方式：Dataset、DataLoader、以及自定义的数据加载器。

使用 Dataset 载入数据
方法：

from torch.utils.data import Dataset

class CustomDataset(Dataset):
def init(self, ...):
# 初始化数据集
# ...

复制代码

 def __len__(self):
     # 返回数据集的大小
     return len(self.data)

 def __getitem__(self, idx):
     # 根据索引返回样本和标签
     return self.data[idx], self.labels[idx]

使用示例：

复制代码

custom_dataset = CustomDataset(...)

使用 DataLoader 加载数据集
方法：

from torch.utils.data import DataLoader

data_loader = DataLoader(
dataset,
batch_size=32,
shuffle=True,
num_workers=4,
drop_last=True,
)

参数说明：

dataset: 要加载的数据集对象。

batch_size: 每个批次的样本数量。

shuffle: 是否在每个 epoch 开始时打乱数据。

num_workers: 用于数据加载的进程数。

drop_last: 是否丢弃最后一个不完整的批次。

使用示例：

复制代码

for data, labels in data_loader:
    # 训练模型的逻辑

使用自定义的 Data Loader
方法：

from torch.utils.data import DataLoader, IterableDataset

class CustomDataLoader(IterableDataset):
def init(self, ...):
# 初始化数据加载器
# ...
复制代码
```
 def __iter__(self):
     # 返回一个迭代器
     return iter(self.data)
```

使用示例：

复制代码

custom_loader = CustomDataLoader(...)
for data in custom_loader:
    # 自定义数据处理逻辑

注意事项：

Dataset 和 DataLoader 是 PyTorch 提供的数据载入工具，通常能满足大多数情况。

自定义数据加载器 (IterableDataset) 可以用于特殊情况下的数据加载需求。

总结：

使用 Dataset 创建数据集对象，实现 len 和 getitem 方法。

使用 DataLoader 加载数据集，设置参数如 batch_size、shuffle 等。

可选地，使用自定义的数据加载器 (IterableDataset) 处理特殊情况下的数据载入需求。