Pytorch数据读取与预处理实现与探索

　　在炼丹时，数据的读取与预处理是关键一步。不同的模型所需要的数据以及预处理方式各不相同，如果每个轮子都我们自己写的话，是很浪费时间和精力的。Pytorch帮我们实现了方便的数据读取与预处理方法，下面记录两个DEMO，便于加快以后的代码效率。

　　根据数据是否一次性读取完，将DEMO分为：

　　1、串行式读取。也就是一次性读取完所有需要的数据到内存，模型训练时不会再访问外存。通常用在内存足够的情况下使用，速度更快。

　　2、并行式读取。也就是边训练边读取数据。通常用在内存不够的情况下使用，会占用计算资源，如果分配的好的话，几乎不损失速度。

　　Pytorch官方的数据提取方式尽管方便编码，但由于它提取数据方式比较死板，会浪费资源，下面对其进行分析。

串行式读取

DEMO代码

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

class MyDataSet(Dataset):# ————1————
  def __init__(self):
    self.data = torch.tensor(range(10)).reshape([5,2])
    self.label = torch.tensor(range(5))

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

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

my_data_set = MyDataSet()# ————2————
my_data_loader = DataLoader(
  dataset=my_data_set,   # ————3————
  batch_size=2,          # ————4————
  shuffle=True,          # ————5————
  sampler=None,          # ————6————
  batch_sampler=None,    # ————7————
  num_workers=0 ,        # ————8————
  collate_fn=None,       # ————9————
  pin_memory=True,       # ————10————
  drop_last=True         # ————11————
)

for i in my_data_loader: # ————12————
  print(i)

　　注释处解释如下：

　　1、重写数据集类，用于保存数据。除了 __init__() 外，必须实现 __getitem__() 和 __len__() 两个方法。前一个方法用于输出索引对应的数据。后一个方法用于获取数据集的长度。

　　2~5、 2准备好数据集后，传入DataLoader来迭代生成数据。前三个参数分别是传入的数据集对象、每次获取的批量大小、是否打乱数据集输出。

　　6、采样器，如果定义这个，shuffle只能设置为False。所谓采样器就是用于生成数据索引的可迭代对象，比如列表。因此，定义了采样器，采样都按它来，shuffle再打乱就没意义了。

　　7、批量采样器，如果定义这个，batch_size、shuffle、sampler、drop_last都不能定义。实际上，如果没有特殊的数据生成顺序的要求，采样器并没有必要定义。torch.utils.data 中的各种 Sampler 就是采样器类，如果需要，可以使用它们来定义。

　　8、用于生成数据的子进程数。默认为0，不并行。

　　9、拼接多个样本的方法，默认是将每个batch的数据在第一维上进行拼接。这样可能说不清楚，并且由于这里可以探究一下获取数据的速度，后面再详细说明。

　　10、是否使用锁页内存。用的话会更快，内存不充足最好别用。

　　11、是否把最后小于batch的数据丢掉。

　　12、迭代获取数据并输出。

速度探索

　　首先看一下DEMO的输出：

　　输出了两个batch的数据，每组数据中data和label都正确排列，符合我们的预期。那么DataLoader是怎么把数据整合起来的呢？首先，我们把collate_fn定义为直接映射（不用它默认的方法），来查看看每次DataLoader从MyDataSet中读取了什么，将上面部分代码修改如下：

my_data_loader = DataLoader(
  dataset=my_data_set,
  batch_size=2,
  shuffle=True,
  sampler=None,
  batch_sampler=None,
  num_workers=0 ,
  collate_fn=lambda x:x,  #修改处
  pin_memory=True,
  drop_last=True
)

　　结果如下：

　　输出还是两个batch，然而每个batch中，单个的data和label是在一个list中的。似乎可以看出，DataLoader是一个一个读取MyDataSet中的数据的，然后再进行相应数据的拼接。为了验证这点，代码修改如下：

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

class MyDataSet(Dataset):
  def __init__(self):
    self.data = torch.tensor(range(10)).reshape([5,2])
    self.label = torch.tensor(range(5))

  def __getitem__(self, index):
    print(index)          #修改处2
    return self.data[index], self.label[index]

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

my_data_set = MyDataSet()
my_data_loader = DataLoader(
  dataset=my_data_set,
  batch_size=2,
  shuffle=True,
  sampler=None,
  batch_sampler=None,
  num_workers=0 ,
  collate_fn=lambda x:x,  #修改处1
  pin_memory=True,
  drop_last=True
)

for i in my_data_loader:
  print(i) 

　　输出如下：

　　验证了前面的猜想，的确是一个一个读取的。如果数据集定义的不是格式化的数据，那还好，但是我这里定义的是tensor，是可以直接通过列表来索引对应的tensor的。因此，DataLoader的操作比直接索引多了拼接这一步，肯定是会慢很多的。一两次的读取还好，但在训练中，大量的读取累加起来，就会浪费很多时间了。

　　自定义一个DataLoader可以证明这一点，代码如下：

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

class MyDataSet(Dataset):
  def __init__(self):
    self.data = torch.tensor(range(100000)).reshape([50000,2])
    self.label = torch.tensor(range(50000))

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

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

# 自定义DataLoader
class MyDataLoader():
  def __init__(self, dataset,batch_size):
    self.dataset = dataset
    self.batch_size = batch_size
  def __iter__(self):
    self.now = 0
    self.shuffle_i = np.array(range(self.dataset.__len__()))
    np.random.shuffle(self.shuffle_i)
    return self

  def __next__(self):
    self.now += self.batch_size
    if self.now <= len(self.shuffle_i):
      indexes = self.shuffle_i[self.now-self.batch_size:self.now]
      return self.dataset.__getitem__(indexes)
    else:
      raise StopIteration

# 使用官方DataLoader
my_data_set = MyDataSet()
my_data_loader = DataLoader(
  dataset=my_data_set,
  batch_size=256,
  shuffle=True,
  sampler=None,
  batch_sampler=None,
  num_workers=0 ,
  collate_fn=None,
  pin_memory=True,
  drop_last=True
)

start_t = time()
for t in range(10):
  for i in my_data_loader:
    pass
print("官方：", time() - start_t)

#自定义DataLoader
my_data_set = MyDataSet()
my_data_loader = MyDataLoader(my_data_set,256)

start_t = time()
for t in range(10):
  for i in my_data_loader:
    pass
print("自定义：", time() - start_t)

　　运行结果如下：

　　以上使用batch大小为256，仅各读取10 epoch的数据，都有30多倍的时间上的差距，更大的batch差距会更明显。另外，这里用于测试的每个数据只有两个浮点数，如果是图像，所需的时间可能会增加几百倍。因此，如果数据量和batch都比较大，并且数据是格式化的，最好自己写数据生成器。

并行式读取

DEMO代码

import matplotlib.pyplot as plt
from torch.utils.data import DataLoader
from torchvision import transforms
from torchvision.datasets import ImageFolder  

path = r'E:\DataSets\ImageNet\ILSVRC2012_img_train\10-19\128x128'
my_data_set = ImageFolder(            #————1————
  root = path,                        #————2————
  transform = transforms.Compose([    #————3————
    transforms.ToTensor(),
    transforms.CenterCrop(64)
  ]),
  loader = plt.imread                 #————4————
)
my_data_loader = DataLoader(
  dataset=my_data_set,
  batch_size=128,
  shuffle=True,
  sampler=None,
  batch_sampler=None,
  num_workers=0,
  collate_fn=None,
  pin_memory=True,
  drop_last=True
)           

for i in my_data_loader:
  print(i)

　　注释处解释如下：

　　1/2、ImageFolder类继承自DataSet类，因此可以按索引读取图像。路径必须包含文件夹，ImageFolder会给每个文件夹中的图像添加索引，并且每张图像会给予其所在文件夹的标签。举个例子，代码中my_data_set[0] 输出的是图像对象和它对应的标签组成的列表。

　　3、图像到格式化数据的转换组合。更多的转换方法可以看 transform 模块。

　　4、图像法的读取方式，默认是PIL.Image.open()，但我发现plt.imread()更快一些。

　　由于是边训练边读取，transform会占用很多时间，因此可以先将图像转换为需要的形式存入外存再读取，从而避免重复操作。

　　其中transform.ToTensor()会把正常读取的图像转换为torch.tensor，并且像素值会映射至$[0,1]$。由于plt.imread()读取png图像时，像素值在$[0,1]$，而读取jpg图像时，像素值却在$[0,255]$，因此使用transform.ToTensor()能将图像像素区间统一化。