[Python] PyTorch之数据集(Dataset)和数据加载器(DataLoader)介绍，使用场景和使用案例

什么是数据集(Dataset)？

PyTorch的Dataset是一个抽象类，用于表示数据集。它提供了一些通用的方法，如__len__()和__getitem__()，分别用于获取数据集的大小和获取指定索引的数据样本。用户可以通过继承Dataset类并实现这些方法来自定义自己的数据集。

Dataset类：

TensorDataset类:

?

此外，在torchvision库中，针对视觉处理，提供了继承自Dataset的VisionDataset类作为机器视觉数据集的基础类，目前实现了VisionDataset类的子类有74个数据集（比如CIFAR*, MNIST）。

?

?

数据集(Dataset)使用场景

数据集(Dataset)使用场景如下：

1. 机器学习项目中需要处理大量数据时，可以使用PyTorch的Dataset来组织和管理数据。
2. 需要对数据进行预处理、增强或归一化等操作时，可以使用PyTorch的Dataset来方便地实现这些功能。
3. 需要将数据集加载到内存中时，可以使用PyTorch的Dataset来实现高效的数据读取和缓存。

什么是数据加载器(DataLoader)?

PyTorch的DataLoader是一个用于加载数据的工具，它可以将数据集分批次地加载到内存中，并支持多线程并行处理。使用DataLoader可以方便地实现小批量训练、分布式训练和数据增强等操作。

参数说明：

• dataset:要加载的数据集对象，必须是torch.utils.data.Dataset的子类。
• batch_size:每个批次的大小，默认为1。
• shuffle:是否在每个epoch开始时打乱数据顺序，默认为False。
• sampler:用于指定从数据集中抽取样本的策略，可以是torch.utils.data.Sampler或其子类的对象。
• batch_sampler:与sampler类似，但是用于指定从数据集中抽取批次的策略，可以是torch.utils.data.BatchSampler或其子类的对象。
• num_workers:用于数据加载的子进程数，默认为0，表示不使用多进程加载数据。
• collate_fn:用于将多个样本组合成一个批次的函数，默认为torch.utils.data.dataloader.default_collate。
• pin_memory:是否将数据存储在固定内存中，默认为False。
• drop_last:如果为True,则丢弃最后一个不完整的批次，默认为False。
• timeout:从工作进程中获取数据的超时时间，默认为0，表示无限等待。
• worker_init_fn:用于初始化工作进程的函数，默认为None。
• multiprocessing_context:用于指定多进程上下文的类型，默认为None。

?

数据加载器(DataLoader)使用场景

DataLoader使用场景：

1. 机器学习项目中需要处理大量数据时，可以使用DataLoader来组织和管理数据。
2. 需要对数据进行预处理、增强或归一化等操作时，可以使用DataLoader来方便地实现这些功能。
3. 需要将数据集加载到内存中时，可以使用DataLoader来实现高效的数据读取和缓存。
4. 需要进行小批量训练时，可以使用DataLoader来实现数据的小批量加载。
5. 需要进行分布式训练时，可以使用DataLoader来实现数据的分布式加载和处理。

数据集(Dataset)和数据加载器(DataLoader)使用案例

import torch
import torch.nn as nn
import numpy as np
import torch.optim as optim
from torch.utils.data import TensorDataset, DataLoader

# 定义神经网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(1, 64)
        self.fc2 = nn.Linear(64, 64)
        self.fc3 = nn.Linear(64, 1)

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

model = Net()
print('model:', model)

# 创建数据集
x = torch.randn(1000, 1)  # 生成1000个样本，每个样本有1个特征
print('x.size:', x.size())
noise = torch.from_numpy(np.random.normal(0, 0.1, (1000, 1))).float() # 生成1000 x 1个数值在0~0.1之间噪音
y = 3 * x + 2 + noise  # 生成1000个标签 + 其中包含了噪音
print('y.size:', y.size())
dataset = TensorDataset(x, y)  # 将数据和标签封装成TensorDataset对象
print('dataset:', dataset)
# 创建数据加载器
batch_size = 100  # 每个批次的大小
dataloader = DataLoader(dataset, batch_size=batch_size, shuffle=True)  # 创建DataLoader对象，用于批量加载数据
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)  # 随机梯度下降，学习率为0.01

# 训练模型
num_epochs = 1000
for epoch in range(0,num_epochs):
    # 遍历数据集
    for i, (inputs, labels) in enumerate(dataloader):
        # 前向传播
        outputs = model(inputs)
        
        # 计算损失
        loss = criterion(outputs, labels)
        
        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        
        if (epoch+1) % 100 == 0:
            print('Epoch [{}/{}], Step [{}/{}], Loss: {:.6f}'.format(epoch+1, num_epochs, i+1, len(dataloader), loss.item()))