Pytorch读入据集（典型数据集及自定义数据集两种模式）

数据读入

Pytorch的数据读入是通过DataSet+DataLoader的方式完成的，DataSet定义好数据的格式和数据变换形式，DataLoader通过iterative的方式不断读入批次数据

读入已有的数据集

Pytorch自身支持很多的数据集，可以直接通过对应的函数得到对应的DataSet，然后传入DataLoader中等待处理：

例如读入MNIST数据集

from torchvision import datasets
import torchvision.transforms as transforms

transform = transforms.Compose([transforms.RandomHorizontalFlip,
                                transforms.RandomCrop,
                                transforms.ToTensor])
train = datasets.MNIST(root="./datasets",
                       train=True,
                       transform=transform,
                       download=True)

val = datasets.MNIST(root="./datasets",
                     train=False,
                     transform=transform,
                     download=True)

读入自己的数据集

另外也可以通过实现DataSet类来读入自己的数据集，一般来说需要实现三个函数：

• __init__：用于向类中传入外部参数，同时定义样本集
• __getitem__：用于逐个读取样本集合中的元素，可以进行一定的变换，并将返回训练/验证所需的数据
• __len__：用户返回数据集的样本数

下面的例子是所有的图片存储在一个文件夹下面，同时在一个csv文件中保存有图片名称及其对应的标签

from PIL import Image

class CustomDataSet(Dataset):
    def __init__(self, image_path, image_class, transform=None, device="cpu"):
        self.image_path = image_path
        self.image_class = image_class
        self.transform = transform
        self.device = device

    def show_img(self, index):
        plt.subplots(1, 1)
        img = Image.open(self.image_path[index])
        plt.imshow(img[2])
        plt.show()

    def __getitem__(self, index):
        img = Image.open(self.image_path[index])

        if img.mode != 'RGB':
            raise ValueError("image:{} isn't RGB mode.".format(self.image_path[index]))

        label = np.argmax(self.image_class[index])
        label = torch.tensor(label).to(self.device)

        if self.transform is not None:
            img = self.transform(img)

        return img.to(self.device), label

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

构建好DataSet之后就可以通过DataLoader读取自己的数据了

train_loader = DataLoader(train, batch_size, shuffle=True, drop_last=True)
val_loader = DataLoader(val, batch_size, shuffle=True, drop_last=False)

• shuffle：表示在加载的时候打乱顺序
• drop_last：丢弃掉最后不够一个batch的数据

全部设置完成之后就可以通过下面的函数不断的读取数据集了

for X, y in train_loader:
    pass