問題

最近用pytorch做實驗時，遇到加載大量數(shù)據(jù)的問題。實驗數(shù)據(jù)大小在400Gb，而本身機器的memory只有256Gb，顯然無法將數(shù)據(jù)一次全部load到memory。

解決方法

首先自定義一個MyDataset繼承torch.utils.data.Dataset，然后將MyDataset的對象feed in torch.utils.data.DataLoader()即可。

MyDataset在__init__中聲明一個文件對象，然后在__getitem__中緩慢讀取數(shù)據(jù)，這樣就不會一次把所有數(shù)據(jù)加載到內存中了。訓練數(shù)據(jù)存放在train.txt中，每一行是一條數(shù)據(jù)記錄。

import torch.utils.data as Data
from tqdm import tqdm
class MyDataset(Data.Dataset):
	def __init__(self,filepath):
		number = 0
		with open(filepath,"r") as f:
			# 獲得訓練數(shù)據(jù)的總行數(shù)
			for _ in tqdm(f,desc="load training dataset"):
				number+=1
		self.number = number
		self.fopen = open(filepath,'r')
	def __len__(self):
		return self.number
	def __getitem__(self,index):
		line = self.fopen.__next__()
		# 自定義transform()對訓練數(shù)據(jù)進行預處理
		data = transform(line)
		return data
train_dataset = MyDataset(filepath = "train.txt")
training_data = Data.DataLoader(dataset=train_dataset, batch_size=32,num_workers=1)

注意

1、num_workers只能設置為1。因為MyDataset初始化時只有一個文件對象，在dataloader時num_workers=1只用一個線程去操作文件對象讀取數(shù)據(jù)。如果num_workers>1, 會出錯，多個線程同時操作同一個文件對象，得到的數(shù)據(jù)并不是你想要的。

2、每一個epoch結束以后，需要重新聲明train_dataset和training_data。因為一個epoch結束以后，文件對象已經(jīng)指向文件末尾，下一個epoch取數(shù)據(jù)時，什么也得不到。

3、因為這里__getitem__()只是順序的從文件中取出一行，而與index無關，那么在DataLoader時，即使參數(shù)shuffle指定為True，得到的數(shù)據(jù)依然是順序的，即該方法無法shuffle數(shù)據(jù)。

補充：Pytorch加載自己的數(shù)據(jù)集(使用DataLoader讀取Dataset)

1. 我們經(jīng)?？梢钥吹絇ytorch加載數(shù)據(jù)集會用到官方整理好的數(shù)據(jù)集

很多時候我們需要加載自己的數(shù)據(jù)集，這時候我們需要使用Dataset和DataLoader

Dataset：是被封裝進DataLoader里，實現(xiàn)該方法封裝自己的數(shù)據(jù)和標簽。

DataLoader：被封裝入DataLoaderIter里，實現(xiàn)該方法達到數(shù)據(jù)的劃分。

2.Dataset

閱讀源碼后，我們可以指導，繼承該方法必須實現(xiàn)兩個方法：

_getitem_()

_len_()

因此，在實現(xiàn)過程中我們測試如下：

import torch
import numpy as np
# 定義GetLoader類，繼承Dataset方法，并重寫__getitem__()和__len__()方法
class GetLoader(torch.utils.data.Dataset):
	# 初始化函數(shù)，得到數(shù)據(jù)
 def __init__(self, data_root, data_label):
  self.data = data_root
  self.label = data_label
 # index是根據(jù)batchsize劃分數(shù)據(jù)后得到的索引，最后將data和對應的labels進行一起返回
 def __getitem__(self, index):
  data = self.data[index]
  labels = self.label[index]
  return data, labels
 # 該函數(shù)返回數(shù)據(jù)大小長度，目的是DataLoader方便劃分，如果不知道大小，DataLoader會一臉懵逼
 def __len__(self):
  return len(self.data)
# 隨機生成數(shù)據(jù)，大小為10 * 20列
source_data = np.random.rand(10, 20)
# 隨機生成標簽，大小為10 * 1列
source_label = np.random.randint(0,2,(10, 1))
# 通過GetLoader將數(shù)據(jù)進行加載，返回Dataset對象，包含data和labels
torch_data = GetLoader(source_data, source_label)

3.DataLoader

提供對Dataset的操作，操作如下：

torch.utils.data.DataLoader(dataset,batch_size,shuffle,drop_last，num_workers)

參數(shù)含義如下：

dataset： 加載torch.utils.data.Dataset對象數(shù)據(jù)

batch_size： 每個batch的大小

shuffle：是否對數(shù)據(jù)進行打亂

drop_last：是否對無法整除的最后一個datasize進行丟棄

num_workers：表示加載的時候子進程數(shù)

因此，在實現(xiàn)過程中我們測試如下（緊跟上述用例）：

from torch.utils.data import DataLoader
# 讀取數(shù)據(jù)
datas = DataLoader(torch_data, batch_size=6, shuffle=True, drop_last=False, num_workers=2)

此時，我們的數(shù)據(jù)已經(jīng)加載完畢了，只需要在訓練過程中使用即可。

4.查看數(shù)據(jù)

我們可以通過迭代器（enumerate）進行輸出數(shù)據(jù)，測試如下：

for i, data in enumerate(datas):
 # i表示第幾個batch， data表示該batch對應的數(shù)據(jù)，包含data和對應的labels
 print("第 {} 個Batch \n{}".format(i, data))

輸出結果如下圖：

結果說明：由于數(shù)據(jù)的是10個，batchsize大小為6，且drop_last=False，因此第一個大小為6，第二個為4。每一個batch中包含data和對應的labels。

當我們想取出data和對應的labels時候，只需要用下表就可以啦，測試如下：

# 表示輸出數(shù)據(jù)
print(data[0])
# 表示輸出標簽
print(data[1])

結果如圖：

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持本站。

香港快速服務器

版權聲明：本站文章來源標注為YINGSOO的內容版權均為本站所有，歡迎引用、轉載，請保持原文完整并注明來源及原文鏈接。禁止復制或仿造本網(wǎng)站，禁止在非www.sddonglingsh.com所屬的服務器上建立鏡像，否則將依法追究法律責任。本站部分內容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學習參考，不代表本站立場，如有內容涉嫌侵權，請聯(lián)系alex-e#qq.com處理。