PyTorch 的 Dataset 和 DataLoader

在 PyTorch 中，数据加载通常使用 torch.utils.data.Dataset 和 torch.utils.data.DataLoader 进行高效管理和批量处理。我们来详细了解如何加载数据，包括 Dataset、DataLoader、数据预处理和自定义数据集。

1. PyTorch 的 Dataset 和 DataLoader 🚀

(1) Dataset

PyTorch 提供了 torch.utils.data.Dataset 作为所有数据集的基类，所有数据集需要继承这个类，并实现：

__len__() → 返回数据集的大小
__getitem__(index) → 通过索引获取一个样本

(2) DataLoader

DataLoader 用于批量加载数据，同时支持 多线程（num_workers） 加速数据读取。

2. 加载内置数据集（MNIST 数据集）

PyTorch 提供了一些 内置数据集 （如 MNIST、CIFAR-10、ImageNet），可以直接使用 torchvision.datasets 进行下载和加载。

加载 MNIST 数据集

python 复制代码

import torch
from torchvision import datasets, transforms
from torch.utils.data import DataLoader

# 1. 定义数据预处理
transform = transforms.Compose([
    transforms.ToTensor(),  # 转换为张量
    transforms.Normalize((0.5,), (0.5,))  # 归一化：均值0.5，标准差0.5
])

# 2. 加载数据集
train_dataset = datasets.MNIST(root="./data", train=True, transform=transform, download=True)
test_dataset = datasets.MNIST(root="./data", train=False, transform=transform, download=True)

# 3. 创建 DataLoader
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)

# 4. 读取一个 batch 数据
data_iter = iter(train_loader)
images, labels = next(data_iter)

print(f"Batch shape: {images.shape}")  # 输出 (64, 1, 28, 28)
print(f"Labels: {labels[:10]}")  # 前 10 个标签

3. 自定义数据集（自定义 Dataset）

有时候，我们的数据并不在 PyTorch 提供的数据集里，比如 自定义图片数据、CSV 数据或文本数据 ，这时就需要自己继承 torch.utils.data.Dataset 来创建自己的数据集。

自定义 CSV 数据集

python 复制代码

import torch
from torch.utils.data import Dataset
import pandas as pd

class MyDataset(Dataset):
    def __init__(self, csv_file):
        self.data = pd.read_csv(csv_file)  # 读取 CSV 数据
       
    def __len__(self):
        return len(self.data)  # 数据集大小

    def __getitem__(self, idx):
        row = self.data.iloc[idx]  # 获取一行数据
        features = torch.tensor(row[:-1].values, dtype=torch.float32)  # 特征数据
        label = torch.tensor(row[-1], dtype=torch.long)  # 标签数据
        return features, label

# 创建数据集
dataset = MyDataset("data.csv")

# 创建 DataLoader
data_loader = DataLoader(dataset, batch_size=32, shuffle=True)

# 读取数据
for batch in data_loader:
    features, labels = batch
    print(features.shape, labels.shape)
    break

4. 加载图片数据（ImageFolder） 🖼️

如果你的数据存放在文件夹里，例如：

data/
│── train/
│   ├── cats/ (类别 0)
│   │   ├── cat1.jpg
│   │   ├── cat2.jpg
│   │   └── ...
│   ├── dogs/ (类别 1)
│   │   ├── dog1.jpg
│   │   ├── dog2.jpg
│   │   └── ...
│── test/

可以使用 datasets.ImageFolder 自动加载图片数据集：

python 复制代码

from torchvision.datasets import ImageFolder
from torchvision import transforms
from torch.utils.data import DataLoader

# 图片预处理
transform = transforms.Compose([
    transforms.Resize((128, 128)),  # 调整大小
    transforms.ToTensor(),  # 转换为张量
    transforms.Normalize((0.5,), (0.5,))  # 归一化
])

# 加载训练数据
train_dataset = ImageFolder(root="data/train", transform=transform)
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)

# 获取类别映射
print(train_dataset.class_to_idx)  # 输出：{'cats': 0, 'dogs': 1}

# 读取一个 batch
images, labels = next(iter(train_loader))
print(images.shape)  # 输出: (32, 3, 128, 128) (32 张 128x128 RGB 图片)

5. 训练数据集迭代

在训练过程中，我们会使用 DataLoader 进行批量数据加载，示例代码如下：

python 复制代码

for epoch in range(5):  # 训练 5 轮
    for images, labels in train_loader:
        images, labels = images.to("cuda"), labels.to("cuda")

        # 训练代码（前向传播、损失计算、反向传播等）
        
        print(f"Epoch: {epoch+1}, Batch Size: {images.shape[0]}")

6. 结语

PyTorch 的 Dataset 和 DataLoader 让数据加载变得 高效、灵活、易扩展 ，无论是 标准数据集 还是 自定义数据集，都可以轻松处理。🔥 🚀

✅ 总结：

torchvision.datasets 直接加载常见数据集
Dataset 继承自定义数据集（CSV、图片等）
ImageFolder 适用于结构化图片数据集
DataLoader 高效批量处理数据

希望这个教程对你有帮助！😃