Day38 Dataset和Dataloader类

为了引入这些概念，现在接触一个新的而且非常经典的数据集：MNIST手写数字数据集。该数据集包含60000张训练图片和10000张测试图片，每张图片大小为28*28像素，共包含10个类别。因为每个数据的维度比较小，所以既可以视为结构化数据，用机器学习、MLP训练，也可以视为图像数据，用卷积神经网络训练。

torchvision

├── datasets # 视觉数据集（如 MNIST、CIFAR）

├── transforms # 视觉数据预处理（如裁剪、翻转、归一化）

├── models # 预训练模型（如 ResNet、YOLO）

├── utils # 视觉工具函数（如目标检测后处理）

└── io # 图像/视频 IO 操作

复制代码

# 1. 数据预处理，该写法非常类似于管道pipeline
# transforms 模块提供了一系列常用的图像预处理操作

# 先归一化，再标准化
transform = transforms.Compose([
    transforms.ToTensor(),  # 转换为张量并归一化到[0,1]
    transforms.Normalize((0.1307,), (0.3081,))  # MNIST数据集的均值和标准差，这个值很出名，所以直接使用
])

# 2. 加载MNIST数据集，如果没有会自动下载
train_dataset = datasets.MNIST(
    root='./data',
    train=True,
    download=True,
    transform=transform
)

test_dataset = datasets.MNIST(
    root='./data',
    train=False,
    transform=transform
)

这里稍微有点反逻辑，正常思路应该是先有数据集，后续再处理。但是在pytorch的思路是，数据在加载阶段就处理结束。

2、Dataset类

现在我们想要取出来一个图片，看看长啥样，因为datasets.MNIST本质上集成了torch.utils.data.Dataset，所以自然需要有对应的方法。

复制代码

import matplotlib.pyplot as plt

# 随机选择一张图片，可以重复运行，每次都会随机选择
sample_idx = torch.randint(0, len(train_dataset), size=(1,)).item() # 随机选择一张图片的索引
# len(train_dataset) 表示训练集的图片数量；size=(1,)表示返回一个索引；torch.randint() 函数用于生成一个指定范围内的随机数,item() 方法将张量转换为 Python 数字
image, label = train_dataset[sample_idx] # 获取图片和标签

这里很难理解，为什么train_dataset[sample_idx]可以获取到图片和标签，是因为 datasets.MNIST这个类继承了torch.utils.data.Dataset类，这个类中有一个方法__getitem__，这个方法会返回一个tuple，tuple中第一个元素是图片，第二个元素是标签。

详细介绍下torch.utils.data.Dataset类

PyTorch 的torch.utils.data.Dataset是一个抽象基类，所有自定义数据集都需要继承它并实现两个核心方法：

len()：返回数据集的样本总数。
getitem(idx)：根据索引idx返回对应样本的数据和标签。

PyTorch 要求所有数据集必须实现__getitem__和__len__，这样才能被DataLoader等工具兼容。这是一种接口约定，类似函数参数的规范。这意味着，如果你要创建一个自定义数据集，你需要实现这两个方法，否则PyTorch将无法识别你的数据集。

在 Python 中，getitem__和__len 是类的特殊方法（也叫魔术方法），它们不是像普通函数那样直接使用，而是需要在自定义类中进行定义，来赋予类特定的行为。以下是关于这两个方法具体的使用方式：

getitem方法

__getitem__方法用于让对象支持索引操作，当使用[]语法访问对象元素时，Python 会自动调用该方法。

复制代码

# 示例代码
class MyList:
    def __init__(self):
        self.data = [10, 20, 30, 40, 50]

    def __getitem__(self, idx):
        return self.data[idx]

# 创建类的实例
my_list_obj = MyList()
# 此时可以使用索引访问元素，这会自动调用__getitem__方法
print(my_list_obj[2])  # 输出：30

通过定义__getitem__方法，让MyList类的实例能够像 Python 内置的列表一样使用索引获取元素。

len方法

__len__方法用于返回对象中元素的数量，当使用内置函数len()作用于对象时，Python 会自动调用该方法。

复制代码

class MyList:
    def __init__(self):
        self.data = [10, 20, 30, 40, 50]

    def __len__(self):
        return len(self.data)

# 创建类的实例
my_list_obj = MyList()
# 使用len()函数获取元素数量，这会自动调用__len__方法
print(len(my_list_obj))  # 输出：5

这里定义的__len__方法，使得MyList类的实例可以像普通列表一样被len()函数调用获取长度。

复制代码

# minist数据集的简化版本
class MNIST(Dataset):
    def __init__(self, root, train=True, transform=None):
        # 初始化：加载图片路径和标签
        self.data, self.targets = fetch_mnist_data(root, train) # 这里假设 fetch_mnist_data 是一个函数，用于加载 MNIST 数据集的图片路径和标签
        self.transform = transform # 预处理操作
        
    def __len__(self): 
        return len(self.data)  # 返回样本总数
    
    def __getitem__(self, idx): # 获取指定索引的样本
        # 获取指定索引的图像和标签
        img, target = self.data[idx], self.targets[idx]
        
        # 应用图像预处理（如ToTensor、Normalize）
        if self.transform is not None: # 如果有预处理操作
            img = self.transform(img) # 转换图像格式
        # 这里假设 img 是一个 PIL 图像对象，transform 会将其转换为张量并进行归一化
            
        return img, target  # 返回处理后的图像和标签

Dataset = 厨师（准备单个菜品）
DataLoader = 服务员（将菜品按订单组合并上桌）

预处理（如切菜、调味）属于厨师的工作，而非服务员。所以在dataset就需要添加预处理步骤。

复制代码

# 可视化原始图像（需要反归一化）
def imshow(img):
    img = img * 0.3081 + 0.1307  # 反标准化
    npimg = img.numpy()
    plt.imshow(npimg[0], cmap='gray') # 显示灰度图像
    plt.show()

print(f"Label: {label}")
imshow(image)

二、Dataloader类

复制代码

# 3. 创建数据加载器
train_loader = DataLoader(
    train_dataset,
    batch_size=64, # 每个批次64张图片,一般是2的幂次方，这与GPU的计算效率有关
    shuffle=True # 随机打乱数据
)

test_loader = DataLoader(
    test_dataset,
    batch_size=1000 # 每个批次1000张图片
    # shuffle=False # 测试时不需要打乱数据
)

总结：

维度	`Dataset`	`DataLoader`
核心职责	定义"数据是什么"和"如何获取单个样本"	定义"如何批量加载数据"和"加载策略"
核心方法	`__getitem__`（获取单个样本）、`__len__`（样本总数）	无自定义方法，通过参数控制加载逻辑
预处理位置	在`__getitem__`中通过`transform`执行预处理	无预处理逻辑，依赖`Dataset`返回的预处理后数据
并行处理	无（仅单样本处理）	支持多进程加载（`num_workers>0`）
典型参数	`root`（数据路径）、`transform`（预处理）	`batch_size`、`shuffle`、`num_workers`

核心结论

Dataset类 ：定义数据的内容和格式（即"如何获取单个样本"），包括：
- 数据存储路径/来源（如文件路径、数据库查询）。
- 原始数据的读取方式（如图像解码为PIL对象、文本读取为字符串）。
- 样本的预处理逻辑（如裁剪、翻转、归一化等，通常通过transform参数实现）。
- 返回值格式（如(image_tensor, label)）。
DataLoader类 ：定义数据的加载方式和批量处理逻辑（即"如何高效批量获取数据"），包括：
- 批量大小（batch_size）。
- 是否打乱数据顺序（shuffle）。

三、minist手写数据集的了解

1、MNIST 数据集基本概况

MNIST（Modified National Institute of Standards and Technology database）是机器学习领域最经典的入门级数据集之一，由纽约大学的 Yann LeCun 等人整理，被广泛用于图像分类算法的开发与测试。

数据来源：
- 训练集：来自 250 个不同人手写的数字，其中 50% 是高中学生，50% 是人口普查局员工。
- 测试集：与训练集独立的另一组手写数字样本。
数据规模：
- 训练集：60,000 张灰度图像
- 测试集：10,000 张灰度图像
- 每张图像尺寸：28×28 像素
数据格式：
- 图像：单通道灰度图，像素值范围为 0-255（归一化后通常为 0-1）
- 标签：0-9 的数字分类，共 10 个类别

2、MNIST 数据集的特点与应用场景

特点：
- 数据标准化：所有图像已统一尺寸并中心化处理
- 噪声较少：经过筛选和预处理，适合入门级算法验证
- 类别平衡：每个数字的样本数量相对均匀
典型应用场景：
- 机器学习入门教程的标准案例
- 新算法的基准测试（如 CNN、神经网络等）
- 迁移学习的源领域数据
- 模型轻量化与压缩技术的测试平台

3、MNIST 数据的存储与读取

MNIST 数据集通常以 IDX 格式存储，这是一种用于存储多维度数组的简单文件格式：

文件结构：
- train-images-idx3-ubyte：训练集图像（60,000×28×28）
- train-labels-idx1-ubyte：训练集标签（60,000 个）
- t10k-images-idx3-ubyte：测试集图像（10,000×28×28）
- t10k-labels-idx1-ubyte：测试集标签（10,000 个）

4、MNIST 数据集的性能基准

由于数据规模适中且难度较低，MNIST 已成为衡量算法性能的标准之一：

传统机器学习算法：
- 支持向量机（SVM）：准确率约 97%-98%
- 随机森林：准确率约 95%-97%
深度学习算法：
- 简单全连接神经网络：准确率约 98%-99%
- 卷积神经网络（CNN）：准确率可达 99.5% 以上
- 最新技术（如胶囊网络）：准确率接近 99.7%

5、MNIST 的扩展与变种

EMNIST：扩展版 MNIST，包含更多字符类别（大写字母、小写字母、数字）
Fashion-MNIST：由 Zalando 提供的服装图像数据集，结构与 MNIST 完全一致，更具挑战性
KMNIST：日本手写假名数据集，格式与 MNIST 兼容
MNIST-C：添加了各种噪声和干扰的 MNIST 变种，用于测试模型鲁棒性

四、了解下cifar数据集，尝试获取其中一张图片

1、CIFAR 数据集概述

CIFAR（Canadian Institute For Advanced Research）数据集是计算机视觉领域的经典基准数据集，由加拿大高级研究所的 Alex Krizhevsky、Vinod Nair 和 Geoffrey Hinton 创建，主要用于图像分类任务的模型训练与评估。该数据集分为 CIFAR-10 和 CIFAR-100 两个版本，两者在数据结构和应用场景上既有相似性又有明显区别。

2、CIFAR-10 数据集详解

a. 数据规模与结构

图像数量：共 60,000 张 32×32 的彩色图像，其中 50,000 张训练集、10,000 张测试集。
类别分布 ：10 个大类，每个类别包含 6,000 张图像，类别如下：

类别示例图像

airplane 飞机

automobile 汽车

bird 鸟类

cat 猫

deer 鹿

dog 狗

frog 青蛙

horse 马

ship 船

truck 卡车

类别	示例图像
airplane	飞机
automobile	汽车
bird	鸟类
cat	猫
deer	鹿
dog	狗
frog	青蛙
horse	马
ship	船
truck	卡车

b. 数据特点

色彩与尺寸：RGB 三通道彩色图像，固定尺寸 32×32，像素值范围 [0, 255]。
难度挑战：图像分辨率低、目标物体占据像素少，且存在背景干扰、姿态变化等问题，对模型识别能力要求较高。

3、CIFAR-100 数据集详解

a. 数据规模与结构

图像数量：同 CIFAR-10，共 60,000 张 32×32 彩色图像（50,000 训练 + 10,000 测试）。
类别分布 ：100 个细分类别，每个类别包含 600 张图像，类别组织为 20 个超类（每个超类包含 5 个子类），例如：
- 超类 "动物"：包含 bear（熊）、tiger（老虎）、lion（狮子）等子类；
- 超类 "交通工具"：包含 car（汽车）、train（火车）、truck（卡车）等子类。

b. 与 CIFAR-10 的核心区别

维度	CIFAR-10	CIFAR-100
类别数量	10 个大类	100 个细分类别（20 超类）
分类难度	较低（类别差异明显）	较高（细分类别易混淆）
典型应用	基础模型验证	细粒度分类研究

4、数据预处理与加载（PyTorch 示例）

标准化参数

CIFAR-10 ：
均值 (0.4914, 0.4822, 0.4465)，标准差 (0.2023, 0.1994, 0.2010)
CIFAR-100 ：
均值 (0.5071, 0.4867, 0.4408)，标准差 (0.2675, 0.2565, 0.2761)

5、CIFAR 数据集的应用与挑战

a. 典型应用场景

模型性能评估：如 ResNet、DenseNet 等经典网络常以 CIFAR 为基准测试分类准确率；
数据增强研究：由于数据量有限，常用于验证数据增强技术（如 Cutout、Mixup）的效果；
半监督学习与迁移学习：小样本场景下的算法验证（如 FixMatch、SimCLR）。

b. 主要挑战

小尺寸图像：32×32 像素难以捕捉复杂细节，需模型具备强特征提取能力；
类别相似度：CIFAR-100 中同类超类的子类（如不同品种的狗）外观高度相似，分类难度大；
过拟合问题：训练集规模有限（5 万张），深度模型易出现过拟合，需结合正则化策略（如 Dropout、L2 正则）。

6、与 MNIST 数据集的对比

维度	MNIST	CIFAR-10	CIFAR-100
图像类型	灰度（1 通道）	彩色（3 通道）	彩色（3 通道）
图像尺寸	28×28	32×32	32×32
类别数量	10（手写数字）	10（物体大类）	100（物体细分类）
任务难度	低（入门级）	中（基础研究）	高（进阶研究）
典型准确率	CNN 可达 99%+	主流模型约 95%	主流模型约 85%

7、CIFAR-10图片获取

复制代码

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import Dataset, DataLoader
from torchvision import datasets, transforms
import matplotlib.pyplot as plt

torch.manual_seed(42)

transform = transforms.Compose([
    transforms.ToTensor(),  # 转换为张量并归一化到[0,1]
    transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010))  # CIFAR-10数据集的均值和标准差
])

train_dataset = datasets.CIFAR10(
    root='./data', 
    train=True, 
    download=True,
    transform=transform
)
test_dataset = datasets.CIFAR10(
    root='./data', 
    train=False, 
    download=False,
    transform=transform
)

复制代码

# 随机选择一张图片，可以重复运行，每次都会随机选择
cifar_sample_idx = torch.randint(0, len(train_dataset), size=(1,)).item() # 随机选择一张图片的索引
# len(train_dataset) 表示训练集的图片数量；size=(1,)表示返回一个索引；torch.randint() 函数用于生成一个指定范围内的随机数,item() 方法将张量转换为 Python 数字
cifar_image, cifar_label = train_dataset[cifar_sample_idx] # 获取图片和标签

import numpy as np
import matplotlib.pyplot as plt

# 定义CIFAR-10的类别名称
classes = ('plane', 'car', 'bird', 'cat', 'deer', 
           'dog', 'frog', 'horse', 'ship', 'truck')

# 可视化CIFAR-10图像（需要反归一化）
def imshow_cifar(img, label=None):
    # 使用CIFAR-10的均值和标准差进行反归一化
    img = img * np.array([0.2023, 0.1994, 0.2010]).reshape(3, 1, 1) + np.array([0.4914, 0.4822, 0.4465]).reshape(3, 1, 1)
    npimg = img.numpy()
    # 调整通道顺序：[C,H,W] → [H,W,C]
    plt.imshow(np.transpose(npimg, (1, 2, 0)))
    # 显示标签（如果提供）
    if label is not None:
        plt.title(f"Label: {label} ({classes[label]})")
    plt.axis('off')
    plt.show()

# 使用示例
print(f"Label: {cifar_label}")
imshow_cifar(cifar_image, cifar_label)

8、CIFAR-100图片获取

复制代码

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import Dataset, DataLoader
from torchvision import datasets, transforms
import matplotlib.pyplot as plt

torch.manual_seed(42)

# CIFAR-100的归一化参数
transform = transforms.Compose([
    transforms.ToTensor(),  # 转换为张量并归一化到[0,1]
    transforms.Normalize((0.5071, 0.4867, 0.4408), (0.2675, 0.2565, 0.2761))  # CIFAR-100数据集的均值和标准差
])

# 加载CIFAR-100数据集
train_dataset = datasets.CIFAR100(
    root='./data', 
    train=True, 
    download=True,
    transform=transform
)
test_dataset = datasets.CIFAR100(
    root='./data', 
    train=False, 
    download=False,
    transform=transform
)

# 随机选择一张图片
cifar100_sample_idx = torch.randint(0, len(train_dataset), size=(1,)).item()
cifar100_image, cifar100_label = train_dataset[cifar100_sample_idx]

# 定义CIFAR-100的类别名称（完整列表）
cifar100_classes = [
    'apple', 'aquarium_fish', 'baby', 'bear', 'beaver', 'bed', 'bee', 'beetle', 
    'bicycle', 'bottle', 'bowl', 'boy', 'bridge', 'bus', 'butterfly', 'camel', 
    'can', 'castle', 'caterpillar', 'cattle', 'chair', 'chimpanzee', 'clock', 
    'cloud', 'cockroach', 'couch', 'crab', 'crocodile', 'cup', 'dinosaur', 
    'dolphin', 'elephant', 'flatfish', 'forest', 'fox', 'girl', 'hamster', 
    'house', 'kangaroo', 'keyboard', 'lamp', 'lawn_mower', 'leopard', 'lion', 
    'lizard', 'lobster', 'man', 'maple_tree', 'motorcycle', 'mountain', 'mouse', 
    'mushroom', 'oak_tree', 'orange', 'orchid', 'otter', 'palm_tree', 'pear', 
    'pickup_truck', 'pine_tree', 'plain', 'plate', 'poppy', 'porcupine', 'possum', 
    'rabbit', 'raccoon', 'ray', 'road', 'rocket', 'rose', 'sea', 'seal', 'shark', 
    'shrew', 'skunk', 'skyscraper', 'snail', 'snake', 'spider', 'squirrel', 
    'streetcar', 'sunflower', 'sweet_pepper', 'table', 'tank', 'telephone', 
    'television', 'tiger', 'tractor', 'train', 'trout', 'tulip', 'turtle', 
    'wardrobe', 'whale', 'willow_tree', 'wolf', 'woman', 'worm'
]

# 可视化CIFAR-100图像（需要反归一化）
def imshow_cifar100(img, label=None):
    # 使用CIFAR-100的均值和标准差进行反归一化
    img = img * np.array([0.2675, 0.2565, 0.2761]).reshape(3, 1, 1) + np.array([0.5071, 0.4867, 0.4408]).reshape(3, 1, 1)
    npimg = img.numpy()
    # 调整通道顺序：[C,H,W] → [H,W,C]
    plt.imshow(np.transpose(npimg, (1, 2, 0)))
    # 显示标签
    if label is not None:
        plt.title(f"Label: {label} ({cifar100_classes[label]})")
    plt.axis('off')
    plt.show()

# 使用示例
print(f"Label: {cifar100_label}")
imshow_cifar100(cifar100_image, cifar100_label)

@浙大疏锦行