2.1 DataLoader 与 DataSet

人民币 二分类

实现 1 元人民币和 100 元人民币的图片二分类。前面讲过 PyTorch 的五大模块:数据、模型、损失函数、优化器和迭代训练。
数据模块又可以细分为 4 个部分:
  • 数据收集:样本和标签。
  • 数据划分:训练集、验证集和测试集
  • 数据读取:对应于PyTorch 的 DataLoader。其中 DataLoader 包括 Sampler 和 DataSet。Sampler 的功能是生成索引, DataSet 是根据生成的索引读取样本以及标签。
  • 数据预处理:对应于 PyTorch 的 transforms

DataLoader 与 DataSet

torch.utils.data.DataLoader()

1
torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=False, sampler=None, batch_sampler=None, num_workers=0, collate_fn=None, pin_memory=False, drop_last=False, timeout=0, worker_init_fn=None, multiprocessing_context=None)
Copied!
功能:构建可迭代的数据装载器
  • dataset: Dataset 类,决定数据从哪里读取以及如何读取
  • batchsize: 批大小
  • num_works:num_works: 是否多进程读取数据
  • sheuffle: 每个 epoch 是否乱序
  • drop_last: 当样本数不能被 batchsize 整除时,是否舍弃最后一批数据

Epoch, Iteration, Batchsize

  • Epoch: 所有训练样本都已经输入到模型中,称为一个 Epoch
  • Iteration: 一批样本输入到模型中,称为一个 Iteration
  • Batchsize: 批大小,决定一个 iteration 有多少样本,也决定了一个 Epoch 有多少个 Iteration
假设样本总数有 80,设置 Batchsize 为 8,则共有 $80 \div 8=10$ 个 Iteration。这里 $1 Epoch = 10 Iteration$。
假设样本总数有 86,设置 Batchsize 为 8。如果drop_last=True则共有 10 个 Iteration;如果drop_last=False则共有 11 个 Iteration。

torch.utils.data.Dataset

功能:Dataset 是抽象类,所有自定义的 Dataset 都需要继承该类,并且重写__getitem()__方法和__len__()方法 。__getitem()__方法的作用是接收一个索引,返回索引对应的样本和标签,这是我们自己需要实现的逻辑。__len__()方法是返回所有样本的数量。
数据读取包含 3 个方面
  • 读取哪些数据:每个 Iteration 读取一个 Batchsize 大小的数据,每个 Iteration 应该读取哪些数据。
  • 从哪里读取数据:如何找到硬盘中的数据,应该在哪里设置文件路径参数
  • 如何读取数据:不同的文件需要使用不同的读取方法和库。
这里的路径结构如下,有两类人民币图片:1 元和 100 元,每一类各有 100 张图片。
  • RMB_data
    • 1
    • 100
首先划分数据集为训练集、验证集和测试集,比例为 8:1:1。
数据划分好后的路径构造如下:
  • rmb_split
    • train
      • 1
      • 100
    • valid
      • 1
      • 100
    • test
      • 1
      • 100
实现读取数据的 Dataset,编写一个get_img_info()方法,读取每一个图片的路径和对应的标签,组成一个元组,再把所有的元组作为 list 存放到self.data_info变量中,这里需要注意的是标签需要映射到 0 开始的整数: rmb_label = {"1": 0, "100": 1}
1
@staticmethod
2
def get_img_info(data_dir):
3
data_info = list()
4
# data_dir 是训练集、验证集或者测试集的路径
5
for root, dirs, _ in os.walk(data_dir):
6
# 遍历类别
7
# dirs ['1', '100']
8
for sub_dir in dirs:
9
# 文件列表
10
img_names = os.listdir(os.path.join(root, sub_dir))
11
# 取出 jpg 结尾的文件
12
img_names = list(filter(lambda x: x.endswith('.jpg'), img_names))
13
# 遍历图片
14
for i in range(len(img_names)):
15
img_name = img_names[i]
16
# 图片的绝对路径
17
path_img = os.path.join(root, sub_dir, img_name)
18
# 标签,这里需要映射为 0、1 两个类别
19
label = rmb_label[sub_dir]
20
# 保存在 data_info 变量中
21
data_info.append((path_img, int(label)))
22
return data_info
Copied!
然后在Dataset 的初始化函数中调用get_img_info()方法。
1
def __init__(self, data_dir, transform=None):
2
"""
3
rmb面额分类任务的Dataset
4
:param data_dir: str, 数据集所在路径
5
:param transform: torch.transform,数据预处理
6
"""
7
# data_info存储所有图片路径和标签,在DataLoader中通过index读取样本
8
self.data_info = self.get_img_info(data_dir)
9
self.transform = transform
Copied!
然后在__getitem__()方法中根据index 读取self.data_info中路径对应的数据,并在这里做 transform 操作,返回的是样本和标签。
1
def __getitem__(self, index):
2
# 通过 index 读取样本
3
path_img, label = self.data_info[index]
4
# 注意这里需要 convert('RGB')
5
img = Image.open(path_img).convert('RGB') # 0~255
6
if self.transform is not None:
7
img = self.transform(img) # 在这里做transform,转为tensor等等
8
# 返回是样本和标签
9
return img, label
Copied!
__len__()方法中返回self.data_info的长度,即为所有样本的数量。
1
# 返回所有样本的数量
2
def __len__(self):
3
return len(self.data_info)
Copied!
train_lenet.py中,分 5 步构建模型。
第 1 步设置数据。首先定义训练集、验证集、测试集的路径,定义训练集和测试集的transforms。然后构建训练集和验证集的RMBDataset对象,把对应的路径和transforms传进去。再构建DataLoder,设置 batch_size,其中训练集设置shuffle=True,表示每个 Epoch 都打乱样本。
1
# 构建MyDataset实例train_data = RMBDataset(data_dir=train_dir, transform=train_transform)valid_data = RMBDataset(data_dir=valid_dir, transform=valid_transform)
2
3
# 构建DataLoder
4
# 其中训练集设置 shuffle=True,表示每个 Epoch 都打乱样本
5
train_loader = DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True)
6
valid_loader = DataLoader(dataset=valid_data, batch_size=BATCH_SIZE)
Copied!
第 2 步构建模型,这里采用经典的 Lenet 图片分类网络。
1
net = LeNet(classes=2)
2
net.initialize_weights()
Copied!
第 3 步设置损失函数,这里使用交叉熵损失函数。
1
criterion = nn.CrossEntropyLoss()
Copied!
第 4 步设置优化器。这里采用 SGD 优化器。
1
optimizer = optim.SGD(net.parameters(), lr=LR, momentum=0.9) # 选择优化器
2
scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=10, gamma=0.1) # 设置学习率下降策略
Copied!
第 5 步迭代训练模型,在每一个 epoch 里面,需要遍历 train_loader 取出数据,每次取得数据是一个 batchsize 大小。这里又分为 4 步。第 1 步进行前向传播,第 2 步进行反向传播求导,第 3 步使用optimizer更新权重,第 4 步统计训练情况。每一个 epoch 完成时都需要使用scheduler更新学习率,和计算验证集的准确率、loss。
1
for epoch in range(MAX_EPOCH):
2
3
loss_mean = 0.
4
correct = 0.
5
total = 0.
6
7
net.train()
8
# 遍历 train_loader 取数据
9
for i, data in enumerate(train_loader):
10
11
# forward
12
inputs, labels = data
13
outputs = net(inputs)
14
15
# backward
16
optimizer.zero_grad()
17
loss = criterion(outputs, labels)
18
loss.backward()
19
20
# update weights
21
optimizer.step()
22
23
# 统计分类情况
24
_, predicted = torch.max(outputs.data, 1)
25
total += labels.size(0)
26
correct += (predicted == labels).squeeze().sum().numpy()
27
28
# 打印训练信息
29
loss_mean += loss.item()
30
train_curve.append(loss.item())
31
if (i+1) % log_interval == 0:
32
loss_mean = loss_mean / log_interval
33
print("Training:Epoch[{:0>3}/{:0>3}] Iteration[{:0>3}/{:0>3}] Loss: {:.4f} Acc:{:.2%}".format(
34
epoch, MAX_EPOCH, i+1, len(train_loader), loss_mean, correct / total))
35
loss_mean = 0.
36
37
scheduler.step() # 更新学习率
38
# 每个 epoch 计算验证集得准确率和loss
39
...
40
...
Copied!
我们可以看到每个 iteration,我们是从train_loader中取出数据的。
1
def __iter__(self):
2
if self.num_workers == 0:
3
return _SingleProcessDataLoaderIter(self)
4
else:
5
return _MultiProcessingDataLoaderIter(self)
Copied!
这里我们没有设置多进程,会执行_SingleProcessDataLoaderIter的方法。我们以_SingleProcessDataLoaderIter为例。在_SingleProcessDataLoaderIter里只有一个方法_next_data(),如下:
1
def _next_data(self):
2
index = self._next_index() # may raise StopIteration
3
data = self._dataset_fetcher.fetch(index) # may raise StopIteration
4
if self._pin_memory:
5
data = _utils.pin_memory.pin_memory(data)
6
return data
Copied!
在该方法中,self._next_index()是获取一个 batchsize 大小的 index 列表,代码如下:
1
def _next_index(self):
2
return next(self._sampler_iter) # may raise StopIteration
Copied!
其中调用的sampler类的__iter__()方法返回 batch_size 大小的随机 index 列表。
1
def __iter__(self):
2
batch = []
3
for idx in self.sampler:
4
batch.append(idx)
5
if len(batch) == self.batch_size:
6
yield batch
7
batch = []
8
if len(batch) > 0 and not self.drop_last:
9
yield batch
Copied!
然后再返回看 dataloader_next_data()方法:
1
def _next_data(self):
2
index = self._next_index() # may raise StopIteration
3
data = self._dataset_fetcher.fetch(index) # may raise StopIteration
4
if self._pin_memory:
5
data = _utils.pin_memory.pin_memory(data)
6
return data
Copied!
在第二行中调用了self._dataset_fetcher.fetch(index)获取数据。这里会调用_MapDatasetFetcher中的fetch()函数:
1
def fetch(self, possibly_batched_index):
2
if self.auto_collation:
3
data = [self.dataset[idx] for idx in possibly_batched_index]
4
else:
5
data = self.dataset[possibly_batched_index]
6
return self.collate_fn(data)
Copied!
这里调用了self.dataset[idx],这个函数会调用dataset.__getitem__()方法获取具体的数据,所以__getitem__()方法是我们必须实现的。我们拿到的data是一个 list,每个元素是一个 tunple,每个 tunple 包括样本和标签。所以最后要使用self.collate_fn(data)把 data 转换为两个 list,第一个 元素 是样本的batch 形式,形状为 [16, 3, 32, 32] (16 是 batch size,[3, 32, 32] 是图片像素);第二个元素是标签的 batch 形式,形状为 [16]。
所以在代码中,我们使用inputs, labels = data来接收数据。
PyTorch 数据读取流程图
首先在 for 循环中遍历DataLoader,然后根据是否采用多进程,决定使用单进程或者多进程的DataLoaderIter。在DataLoaderIter里调用Sampler生成Index的 list,再调用DatasetFetcher根据index获取数据。在DatasetFetcher里会调用Dataset__getitem__()方法获取真正的数据。这里获取的数据是一个 list,其中每个元素是 (img, label) 的元组,再使用 collate_fn()函数整理成一个 list,里面包含两个元素,分别是 img 和 label 的tenser
下图是我们的训练过程的 loss 曲线:
参考资料
如果你觉得这篇文章对你有帮助,不妨点个赞,让我有更多动力写出好文章。
我的文章会首发在公众号上,欢迎扫码关注我的公众号张贤同学
最近更新 1yr ago