PyTorch数据集与数据集加载

PyTorch中的Dataset与DataLoader详解

1. Dataset基础

Dataset是PyTorch中表示数据集的抽象类，我们需要继承它并实现两个关键方法：

python 复制代码

from torch.utils.data import Dataset

class CustomDataset(Dataset):
    def __init__(self, data, labels):
        """初始化方法，加载数据"""
        self.data = data
        self.labels = labels
    
    def __len__(self):
        """返回数据集的大小"""
        return len(self.data)
    
    def __getitem__(self, idx):
        """根据索引获取单个样本"""
        sample = self.data[idx]
        label = self.labels[idx]
        return sample, label

使用示例

python 复制代码

# 假设我们有一些简单的数据
data = [[1, 2], [3, 4], [5, 6], [7, 8]]
labels = [0, 1, 0, 1]

# 创建数据集实例
dataset = CustomDataset(data, labels)

# 测试数据集
print(f"数据集大小: {len(dataset)}")  # 输出: 4
print(dataset[0])  # 输出: ([1, 2], 0)

2. DataLoader功能

DataLoader负责从Dataset中加载数据，并提供批处理、打乱顺序和多线程加载等功能。

python 复制代码

from torch.utils.data import DataLoader

# 创建DataLoader
dataloader = DataLoader(
    dataset,          # 数据集对象
    batch_size=2,     # 每批数据大小
    shuffle=True,     # 是否打乱数据
    num_workers=2     # 使用多少子进程加载数据
)

# 遍历数据
for batch_idx, (batch_data, batch_labels) in enumerate(dataloader):
    print(f"批次 {batch_idx}:")
    print("数据:", batch_data)
    print("标签:", batch_labels)

3. 实际应用示例

图像数据集示例

python 复制代码

import os
from PIL import Image

class ImageDataset(Dataset):
    def __init__(self, img_dir, transform=None):
        self.img_dir = img_dir
        self.transform = transform
        self.img_names = os.listdir(img_dir)
    
    def __len__(self):
        return len(self.img_names)
    
    def __getitem__(self, idx):
        img_path = os.path.join(self.img_dir, self.img_names[idx])
        image = Image.open(img_path).convert('RGB')
        
        if self.transform:
            image = self.transform(image)
            
        # 假设文件名格式为 "label_image.jpg"
        label = int(self.img_names[idx].split('_')[0])
        
        return image, label

使用数据增强

python 复制代码

from torchvision import transforms

# 定义数据转换
transform = transforms.Compose([
    transforms.Resize(256),
    transforms.RandomCrop(224),
    transforms.RandomHorizontalFlip(),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], 
                         std=[0.229, 0.224, 0.225])
])

# 创建数据集
dataset = ImageDataset("path/to/images", transform=transform)

# 创建DataLoader
dataloader = DataLoader(dataset, batch_size=32, shuffle=True, num_workers=4)

4. 高级功能

自定义批处理

python 复制代码

from torch.utils.data.dataloader import default_collate

def custom_collate(batch):
    # 过滤掉None样本
    batch = [item for item in batch if item is not None]
    if len(batch) == 0:
        return None
    return default_collate(batch)

dataloader = DataLoader(dataset, batch_size=4, collate_fn=custom_collate)

使用Subset划分数据集

python 复制代码

from torch.utils.data import random_split

# 假设我们有一个大的数据集
full_dataset = CustomDataset(data, labels)

# 划分训练集和测试集
train_size = int(0.8 * len(full_dataset))
test_size = len(full_dataset) - train_size
train_dataset, test_dataset = random_split(full_dataset, [train_size, test_size])

# 创建对应的DataLoader
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False)

5. 性能优化技巧

num_workers设置：根据CPU核心数设置合理的num_workers值（通常2-4）
pin_memory：在GPU训练时设置pin_memory=True可以加速数据传输
预取数据：使用prefetch_factor参数（PyTorch 1.7+）

python 复制代码

dataloader = DataLoader(
    dataset,
    batch_size=64,
    shuffle=True,
    num_workers=4,
    pin_memory=True,
    prefetch_factor=2
)

6. 常见问题解决

内存不足：减小batch_size或使用IterableDataset
数据加载慢：确保数据存储在SSD上，使用更快的文件格式（如HDF5）
数据不平衡：使用WeightedRandomSampler

python 复制代码

from torch.utils.data import WeightedRandomSampler

# 假设我们有不平衡的数据集
weights = [1.0 if label == 0 else 0.1 for _, label in dataset]
sampler = WeightedRandomSampler(weights, num_samples=len(weights), replacement=True)

balanced_loader = DataLoader(dataset, batch_size=32, sampler=sampler)

通过合理使用Dataset和DataLoader，可以高效地管理和加载大规模数据集，为深度学习模型训练提供稳定、高效的数据管道。