Dataset和Dataloader

torch.utils.data.Dataset与torch.utils.data.DataLoader的理解

1. pytorch提供了一个数据读取的方法，其由两个类构成：torch.utils.data.Dataset和DataLoader
2. 我们要自定义自己数据读取的方法，就需要继承torch.utils.data.Dataset，并将其封装到DataLoader中
3. torch.utils.data.Dataset表示该数据集，继承该类可以重载其中的方法，实现多种数据读取及数据预处理方式
4. torch.utils.data.DataLoader 封装了Data对象，实现单（多）进程迭代器输出数据集

一、定义自己的Dataset （torch.utils.data.Dataset）

1. 要自定义自己的Dataset类，至少要重载两个方法，__len__, __getitem__
2. __len__返回的是数据集的大小
3. __getitem__实现索引数据集中的某一个数据
4. 除了这两个基本功能，还可以在__getitem__时对数据进行预处理，或者是直接在硬盘中读取数据，对于超大的数据集还可以使用lmdb来读取

from torch.utils.data import DataLoader, Dataset
import torch

class MyDataset(Dataset):
    # TensorDataset继承Dataset, 重载了__init__, __getitem__, __len__
    # 实现将一组Tensor数据对封装成Tensor数据集
    # 能够通过index得到数据集的数据，能够通过len，得到数据集大小

    def __init__(self, data_tensor, target_tensor):
        self.data_tensor = data_tensor
        self.target_tensor = target_tensor

    def __getitem__(self, index):
        return self.data_tensor[index], self.target_tensor[index]

    def __len__(self):
        return self.data_tensor.size(0)

# 生成数据
data_tensor = torch.randn(4, 3)
target_tensor = torch.rand(4)
print('x:',data_tensor)
print('y:',target_tensor)
# 将数据封装成Dataset
tensor_dataset = MyDataset(data_tensor, target_tensor)

# 可使用索引调用数据
print ('tensor_data[0]: ', tensor_dataset[0])
print( 'len os tensor_dataset: ', len(tensor_dataset))

输出：

x: tensor([[ 1.2816,  0.8122,  0.1183],
        [ 1.2182, -0.1133,  0.5438],
        [-0.3239, -0.4611,  0.7439],
        [-0.0841, -0.7142, -0.1525]])
y: tensor([0.7254, 0.3795, 0.0325, 0.2877])
tensor_data[0]:  (tensor([1.2816, 0.8122, 0.1183]), tensor(0.7254))
len os tensor_dataset:  4

基于MovieLens数据集的定义

class MovieLens20MDataset(torch.utils.data.Dataset):
    def __init__(self, dataset_path, sep=',', engine='c', header='infer'):
        data = pd.read_csv(dataset_path, sep=sep, engine=engine, header=None).to_numpy()[:, :3]
        self.items = data[:, :2].astype(np.int) - 1  # -1 because ID begins from 1
        self.targets = self.__preprocess_target(data[:, 2]).astype(np.float32)
        self.field_dims = np.max(self.items, axis=0) + 1
        print(self.field_dims)
        self.user_field_idx = np.array((0, ), dtype=np.long)
        self.item_field_idx = np.array((1,), dtype=np.long)

    def __len__(self):
        return self.targets.shape[0]

    def __getitem__(self, index):
        return self.items[index], self.targets[index]

    def __preprocess_target(self, target):
        target[target <= 3] = 0
        target[target > 3] = 1
        return target

class MovieLens1MDataset(MovieLens20MDataset):
    def __init__(self, dataset_path):
        super().__init__(dataset_path, sep=',', engine='python', header=None)

二、Dataloader使用 （torch.utils.data.Dataloader）

1. Dataloader将Dataset或其子类封装成一个迭代器
2. 这个迭代器可以迭代输出Dataset的内容
3. 同时可以实现多进程、shuffle、不同采样策略，数据校对等等处理过程

tensor_dataloader = DataLoader(tensor_dataset,   # 封装的对象
                               batch_size=2,     # 输出的batchsize
                               shuffle=True,     # 随机输出
                               num_workers=0)    # 只有1个进程

# 以for循环形式输出
for data, target in tensor_dataloader: 
    print(data, target)
print('----------------------------------------')
# 输出一个batch
print ('one batch tensor data: ', iter(tensor_dataloader).next())
# 输出batch数量
print ('len of batchtensor: ', len(list(iter(tensor_dataloader))))

输出：

tensor([[-0.3239, -0.4611,  0.7439],
        [ 1.2182, -0.1133,  0.5438]]) tensor([0.0325, 0.3795])
tensor([[-0.0841, -0.7142, -0.1525],
        [ 1.2816,  0.8122,  0.1183]]) tensor([0.2877, 0.7254])
----------------------------------------
one batch tensor data:  [tensor([[-0.3239, -0.4611,  0.7439],
        [ 1.2816,  0.8122,  0.1183]]), tensor([0.0325, 0.7254])]
len of batchtensor:  2