PyTorch 数据集类 和 数据加载类 的一些尝试

最近在学习PyTorch,  但是对里面的数据类和数据加载类比较迷糊，可能是封装的太好大部分情况下是不需要有什么自己的操作的，不过偶然遇到一些自己导入的数据时就会遇到一些问题，因此自己对此做了一些小实验，小尝试。

下面给出一个常用的数据类使用方式：

def data_tf(x):
    x = np.array(x, dtype='float32') / 255 # 将数据变到 0 ~ 1 之间
    x = (x - 0.5) / 0.5 # 标准化，这个技巧之后会讲到
    x = x.reshape((-1,)) # 拉平
    x = torch.from_numpy(x)
    return x

from torchvision.datasets import MNIST # 导入 pytorch 内置的 mnist 数据
train_set = MNIST('./data', train=True, transform=data_tf, download=True) # 载入数据集，申明定义的数据变换
test_set = MNIST('./data', train=False, transform=data_tf, download=True)

其中，  data_tf  并不是必须要有的，比如：

from torchvision.datasets import MNIST # 导入 pytorch 内置的 mnist 数据
train_set = MNIST('./data', train=True, download=True) # 载入数据集，申明定义的数据变换
test_set = MNIST('./data', train=False, download=True)

这里面的MNIST类是框架自带的，可以自动下载MNIST数据库，   ./data  是指将下载的数据集存放在当前目录下的哪个目录下，    train 这个属性 True时 则在 ./data文件夹下面在建立一个 train的文件夹然后把下载的数据存放在其中，  当train属性是False的时候则把下载的数据放在 test文件夹下面。

划线部分是老版本的PyTorch的处理方式，  最近试了一下最新版本  PyTorch 1.0   ,   train为True的时候是把数据放在  ./data/processed  文件夹下面， 命名为training.pt  ,  为False 的时候则放在  ./data/processed  文件夹下面， 命名为test.pt  。

这时候就出现了一个问题， 如果你使用的数据集不是框架自带的那么如何使用数据类呢，这个时候就要使用  pytorch 中的  Dataset 类了。

from torch.utils.data import Dataset

我们需要重写   Dataset类， 需要实现的方法为  __len__   和   __getitem__    这两个内置方法，  这里可以看出其思想就是要重写的类需要支持按照索引查找的方法。

这里我们还是举个例子：

从这个例子可以看出  mydataset就是我们自定义的 myDataset 类生成的自定义数据类对象。我们可以在myDataset类中自定义一些方法来对需要的数据进行处理。

为说明该问题另附加一个例子：

from torch.utils.data import Dataset

#需要在pytorch中使用的数据
data=[[1.1, 1.2, 1.3], [2.1, 2.2, 2.3], [3.1, 3.2, 3.3], [4.1, 4.2, 4.3], [5.1, 5.2, 5.3]]

class myDataset(Dataset):
    def __init__(self, indata):
        self.data=indata
    def __len__(self):
        return len(self.data)
    def __getitem__(self, idx):
        return self.data[idx]

mydataset=myDataset(data)

那么又来了一个问题，我们不重写 Dataset类的话可不可以呢， 经过尝试发现还真可以，如下：

又如：

由这个例子可以看出数据类对象可以不重写Dataset类， 只要具备  __len__      __getitem__    方法就可以。而且从这个例子我们可以看出  DataLoader  是一个迭代器， 如果shuffle 设置为 True 那么在每次迭代之前都会重新排序。

同时由上面两个例子可以看出  DataLoader类会把传入的数据集合中的数据转化为  torch.tensor 类型， 当然是采用默认的  DataLoader类中转化函数 transform的情况下。

这也就是说  DataLoader 默认的转化函数 transform操作为    传入的[ [x, x, x], [y, y, y] ] 输出的是 [ tensor([x, x, x]),  tensor([y, y, y]) ] ,

传入的是  tensor([ [x, x, x], [y, y, y] ]) 输出的是 tensor([ tensor([x, x, x]),  tensor([y, y, y]) ] ),   （这个例子是在   batch_size=2 的情况）。

综上，可知  其实   Dataset类， 和 DataLoader类其实在pytorch 计算过程中都不是一定要有的，  其中Dataset类是起一个规范作用，意义在于要人们对不同的类型数据做一些初步的调整，使其支持按照索引读取，以使其可以在 DataLoader中使用。

DataLoader 是一个迭代器， 可以方便的通过设置 batch_size 来实现 batch过程，transform则是对数据的一些处理。

---------------------------------------------------------------------------------------------------

上述内容更正：

import torch
import numpy as np
from torch.utils.data import Dataset
from torch.utils.data import DataLoader

#需要在pytorch中使用的数据
data=[[1.1, 1.2, 1.3], [2.1, 2.2, 2.3], [3.1, 3.2, 3.3], [4.1, 4.2, 4.3], [5.1, 5.2, 5.3]]

class myDataset(Dataset):
    def __init__(self, indata):
        self.data=indata
    def __len__(self):
        return len(self.data)
    def __getitem__(self, idx):
        return self.data[idx]

mydataset=myDataset(data)
train_data=DataLoader(mydataset, batch_size=3, shuffle=True)

print("上文的错误操作:")

for i in train_data:
    print(i)
    print('-'*30)
print('again')
for i in train_data:
    print(i)
    print('-'*30)

#########################################

data=np.array(data)
data=torch.from_numpy(data)

mydataset=myDataset(data)
train_data=DataLoader(mydataset, batch_size=3, shuffle=True)

print("修正后的正确操作:")

for i in train_data:
    print(i)
    print('-'*30)
print('again')
for i in train_data:
    print(i)
    print('-'*30)

(base) devil@devilmaycry:/tmp$ python w.py
上文的错误操作:
[tensor([3.1000, 4.1000, 5.1000], dtype=torch.float64), tensor([3.2000, 4.2000, 5.2000], dtype=torch.float64), tensor([3.3000, 4.3000, 5.3000], dtype=torch.float64)]
------------------------------
[tensor([1.1000, 2.1000], dtype=torch.float64), tensor([1.2000, 2.2000], dtype=torch.float64), tensor([1.3000, 2.3000], dtype=torch.float64)]
------------------------------
again
[tensor([3.1000, 5.1000, 1.1000], dtype=torch.float64), tensor([3.2000, 5.2000, 1.2000], dtype=torch.float64), tensor([3.3000, 5.3000, 1.3000], dtype=torch.float64)]
------------------------------
[tensor([2.1000, 4.1000], dtype=torch.float64), tensor([2.2000, 4.2000], dtype=torch.float64), tensor([2.3000, 4.3000], dtype=torch.float64)]

------------------------------

修正后的正确操作:
tensor([[2.1000, 2.2000, 2.3000],
        [1.1000, 1.2000, 1.3000],
        [3.1000, 3.2000, 3.3000]], dtype=torch.float64)
------------------------------
tensor([[4.1000, 4.2000, 4.3000],
        [5.1000, 5.2000, 5.3000]], dtype=torch.float64)
------------------------------
again
tensor([[5.1000, 5.2000, 5.3000],
        [4.1000, 4.2000, 4.3000],
        [3.1000, 3.2000, 3.3000]], dtype=torch.float64)
------------------------------
tensor([[2.1000, 2.2000, 2.3000],
        [1.1000, 1.2000, 1.3000]], dtype=torch.float64)
------------------------------

可以看出  传入到   Dataset  中的对象必须是  torch  类型的 tensor  类型， 如果传入的是list则会得出错误结果。

-----------------------------------------------------------------------------------------------------

补充：

之所以发现上面的这个错误，是因为发现了下面的代码：

import numpy as np
from torchvision.datasets import mnist # 导入 pytorch 内置的 mnist 数据
from torch.utils.data import DataLoader
#from torch.utils.data import Dataset

def data_tf(x):
    x = np.array(x, dtype='float32') / 255
    x = (x - 0.5) / 0.5 # 数据预处理，标准化
    x = x.reshape((-1,)) # 拉平
    x = torch.from_numpy(x)
    return x

#Dataset
# 重新载入数据集，申明定义的数据变换
train_set = mnist.MNIST('./data', train=True, transform=data_tf, download=True)
test_set = mnist.MNIST('./data', train=False, transform=data_tf, download=True)

train_data = DataLoader(train_set, batch_size=64, shuffle=True)
test_data = DataLoader(test_set, batch_size=128, shuffle=False)

从上面的   data_tf  函数中我们发现，  Dataset对象返回的是   torch 的  tensor 对象。