PyTorch的Dataset 和TorchData API的比较

深度神经网络需要很长时间来训练。训练速度受模型的复杂性、批大小、GPU、训练数据集的大小等因素的影响。

在PyTorch中，torch.utils.data.Dataset和torch.utils.data.DataLoader通常用于加载数据集和生成批处理。但是从版本1.11开始，PyTorch引入了TorchData库，它实现了一种不同的加载数据集的方法。

在本文中，我们将比较数据集比较大的情况下这两两种方法是如何工作的。我们以CelebA和DigiFace1M的面部图像为例。表1显示了它们的比较特征。我们训练使用ResNet-50模型。然后进行1轮的训练来进行使用方法和时间的比较。

数据集的信息如下：

CelebA (align) 图片数：202,599 总大小：1.4 图片大小：178x218

DigiFace1M 图片数：720,000 总大小：14.6 图片大小：112x112

我们使用的环境如下：

CPU: Intel? Core? i9-9900K CPU @ 3.60GHz(16核)

GPU: GeForce RTX 2080 Ti 11Gb

驱动版本515.65.01 / CUDA 11.7 / CUDNN 8.4.0.27

Docker 20.10.21

Pytorch 1.12.1

TrochData 0.4.1

训练的代码如下：

 def train(data_loader: torch.utils.data.DataLoader, cfg: Config):
     # create model
     model = resnet50(num_classes=cfg.n_celeba_classes + cfg.n_digiface1m_classes, pretrained=True)
     torch.cuda.set_device(cfg.gpu)
     model = model.cuda(cfg.gpu)
     model.train()
 
     # define loss function (criterion) and optimizer
     criterion = torch.nn.CrossEntropyLoss().cuda(cfg.gpu)
     optimizer = torch.optim.SGD(model.parameters(), lr=0.1,
                                 momentum=0.9,
                                 weight_decay=1e-4)
 
     start_time = time.time()
     for _ in range(cfg.epochs):
         scaler = torch.cuda.amp.GradScaler(enabled=cfg.use_amp)
         for batch_idx, (images, target) in enumerate(data_loader):
             images = images.cuda(cfg.gpu, non_blocking=True)
             target = target.cuda(cfg.gpu, non_blocking=True)
 
             # compute output
             with torch.cuda.amp.autocast(enabled=cfg.use_amp):
                 output = model(images)
                 loss = criterion(output, target)
 
             # compute gradient
             scaler.scale(loss).backward()
 
             # do SGD step
             scaler.step(optimizer)
             scaler.update()
             optimizer.zero_grad()
 
             print(batch_idx, loss.item())
     print(f'{time.time() - start_time} sec')

Dataset

首先看看Dataset,这是自从Pytorch发布以来一直使用的方式，我们对这个应该非常熟悉。PyTorch 支持两种类型的数据集：map-style Datasets 和 iterable-style Datasets。Map-style Dataset 在预先知道元素个数的情况下使用起来很方便。

该类实现了__getitem__()和__len__()方法。如果通过索引读取太费时间或者无法获得，那么可以使用 iterable-style，需要实现__iter__() 方法。在我们的例子中，map-style已经可以了，因为对于 CelebA 和 DigiFace1M 数据集，我们知道其中的图像总数。

下面我们创建CelebADataset 类。对于 CelebA，类标签位于 identity_CelebA.txt 文件中。CelebA 和 DigiFace1M 中的面部图像在裁剪方面有所不同，因此为了在图像上传后减少getitem方法中的这些差异，必须从各个方面稍微裁剪它们。

 from PIL import Image
 from torch.utils.data import Dataset
 
 class CelebADataset(torch.utils.data.Dataset):
     def __init__(self, data_path: str, transform) -> None:
         self.data_path = data_path
         self.transform = transform
         self.image_names, self.labels = self.load_labels(f'{data_path}/identity_CelebA.txt')
 
     def __len__(self) -> int:
         return len(self.image_names)
 
     def  __getitem__(self, idx: int) -> Tuple[torch.Tensor, int]:
         image_path = f'{self.data_path}/img_align_celeba/{self.image_names[idx]}'
         image = Image.open(image_path)
         left, right, top, bottom = 25, 153, 45, 173
         image = image.crop((left, top, right, bottom))
         if self.transform is not None:
             image = self.transform(image)
         label = self.labels[idx]
         return image, label
 
     @staticmethod
     def load_labels(labels_path: str) -> Tuple[list, list]:
         image_names, labels = [], []
         with open(labels_path, 'r', encoding='utf-8') as labels_file:
             lines = labels_file.readlines()
             for line in lines:
                 file_name, class_id = line.split(' ')
                 image_names.append(file_name)
                 labels.append(int(class_id[:-1]))
         return image_names, labels

对于DigiFace1M数据集，同一类的所有图像都在一个单独的文件夹中。但是这两个数据集中，类的标签是相同的，所以对于在DigiFace1M我们不需要获取类别，而是在CelebA中按类增加。所以我们需要add_to_class变量。另外就是DigiFace1M中的图像以“RGBA”格式存储，因此仍需将其转换为“RGB”。

 class DigiFace1M(torch.utils.data.Dataset):
     def __init__(self, data_path: str, transform, add_to_class: int = 0) -> None:
         self.data_path = data_path
         self.transform = transform
         self.image_paths, self.labels = self.load_labels(data_path, add_to_class)
 
     def __len__(self):
         return len(self.image_paths)
 
     def __getitem__(self, idx: int) -> Tuple[torch.Tensor, int]:
         image = Image.open(self.image_paths[idx]).convert('RGB')
         if self.transform is not None:
             image = self.transform(image)
         label = self.labels[idx]
         return image, label
 
     @staticmethod
     def load_labels(data_path: str, add_to_class: int) -> Tuple[list, list]:
         image_paths, labels = [], []
         for root, _, files in os.walk(data_path):
             for file_name in files:
                 if file_name.endswith('.png'):
                     image_paths.append(f'{root}/{file_name}')
                     labels.append(int(os.path.basename(root)) + add_to_class)
         return image_paths, labels

现在我们可以使用torch.utils.data将两个数据集合并为一个数据集ConcatDataset，创建DataLoader，开始训练。

 def main():
     cfg = Config()
     celeba_dataset = CelebADataset(f'{cfg.data_path}/CelebA', cfg.transform)
     digiface_dataset = DigiFace1M(f'{cfg.data_path}/DigiFace1M', cfg.transform, cfg.n_celeba_classes)
     dataset = torch.utils.data.ConcatDataset([celeba_dataset, digiface_dataset])
 
     loader = torch.utils.data.DataLoader(
         dataset=dataset,
         batch_size=cfg.batch_size,
         shuffle=True,
         drop_last=True,
         num_workers=cfg.n_workers)
 
     utils.train(loader, cfg)

TorchData API

与Dataset一样，TorchData支持map-style 和 iterable-style的数据处理管道。但是官方建议使用IterDataPipe，只在必要时将其转换为MapDataPipe。

因为TorchData提供了优化的数据加载实用程序，可以帮助我们方便的构建处理流程。以下是一些主要的功能:

• IterableWrapper：包装可迭代对象以创建IterDataPipe。
• FileListerr：给定目录的路径，将生成根目录内文件的文件路径名(path + filename)
• Filterr：根据输入filter_fn(函数名:filter)从源数据口过滤元素
• Mapperr：对源DataPipe中的每个项应用函数(函数名:map)
• Concaterr：连接多个可迭代数据管道(函数名:concat)
• Shufflerr：打乱输入DataPipe数据的顺序(函数名:shuffle)
• ShardingFilterr：允许对DataPipe进行分片(函数名:sharding_filter)

使用TorchData 构建CelebA和DigiFace1M的数据处理管道，我们需要执行以下步骤:

对于CelebA数据集：创建一个列表(file_name, label， ’ CelebA ')，并使用IterableWrapper从它创建一个IterDataPipe

对于DigiFace1M：使用FileLister创建一个IterDataPipe，返回所有图像文件的路径，使用Mapper来使用collate_ann。这个函数以图像路径作为输入，并返回元组(file_name, label， ’ DigiFace1M ')。

上面两个步骤之后，我们得到两个数据类型(file_name, label, data_name)的结果。然后使用Concater将它们连接到一个数据管道中。

使用Shufflerr，打乱顺序，这与在DataLoader中设置了shuffle=True是一样的。

使用ShardingFilter将数据管道分割成片。每个worker将拥有原始DataPipe元素的n个部分，其中n等于worker的数量。（多线程处理，DataLoader中的num_worker）

最后就是从磁盘读取图像

完整代码如下：

 @torchdata.datapipes.functional_datapipe("load_image")
 class ImageLoader(torchdata.datapipes.iter.IterDataPipe):
     def __init__(self, source_datapipe, **kwargs) -> None:
         self.source_datapipe = source_datapipe
         self.transform = kwargs['transform']
 
     def __iter__(self) -> Tuple[torch.Tensor, int]:
         for file_name, label, data_name in self.source_datapipe:
             image = Image.open(file_name)
             if data_name == 'DigiFace1M':
                 image = image.convert('RGB')
             elif data_name == 'CelebA':
                 left, right, top, bottom = 25, 153, 45, 173
                 image = image.crop((left, top, right, bottom))
             if self.transform is not None:
                 image = self.transform(image)
             yield image, label
 
 
 def collate_ann(file_path):
     label = int(os.path.basename(os.path.dirname(file_path))) + N_CELEBA_CLASSES
     data_name = os.path.basename(os.path.dirname(os.path.dirname(file_path)))
     return file_path, label, data_name
 
 
 def load_celeba_labels(labels_path: str) -> Dict[str, int]:
     labels = []
     data_path = os.path.split(labels_path)[0]
     with open(labels_path, 'r', encoding='utf-8') as labels_file:
         lines = labels_file.readlines()
         for line in lines:
             file_name, class_id = line.split(' ')
             class_id = int(class_id[:-1])
             labels.append((f'{data_path}/img_align_celeba/{file_name}', class_id, 'CelebA'))
     return labels
 
 
 def build_datapipes(cfg: Config) -> torchdata.datapipes.iter.IterDataPipe:
     celeba_dp = torchdata.datapipes.iter.IterableWrapper(
         load_celeba_labels(
             labels_path=f'{cfg.data_path}/CelebA/identity_CelebA.txt'))
 
     digiface_dp = torchdata.datapipes.iter.FileLister(f'{cfg.data_path}/DigiFace1M', masks='*.png', recursive=True)
     digiface_dp = digiface_dp.map(collate_ann)
 
     datapipe = celeba_dp.concat(digiface_dp)
     datapipe = datapipe.shuffle(buffer_size=100000)
     datapipe = datapipe.sharding_filter()
     datapipe = datapipe.load_image(transform=cfg.transform)
     return datapipe

Torch的DataLoader是同时支持Datasets和DataPipe的，所以我们可以直接使用

 def main():
     cfg = Config()
     datapipe = build_datapipes(cfg)
     loader = torch.utils.data.DataLoader(
         dataset=datapipe,
         batch_size=cfg.batch_size,
         shuffle=True,
         drop_last=True,
         num_workers=cfg.n_workers)
 
     utils.train(loader, cfg)

加速数据读取的一个小技巧

批处理中耗时最长的操作之一是从磁盘读取图片。为了减少这个操作所花费的时间，可以加载所有图像并将它们分割成小的数据集，例如10,000张图像保存为.pickle文件。在读取时每一个worker只要读取一个相应的pickle文件即可

 def prepare_data():
     cfg = Config()
     cfg.transform = None
     os.makedirs(cfg.prepared_data_path, exist_ok=True)
     celeba_dataset = dataset_example.CelebADataset(f'{cfg.data_path}/CelebA', cfg.transform)
     digiface_dataset = dataset_example.DigiFace1M(f'{cfg.data_path}/DigiFace1M', cfg.transform, cfg.n_celeba_classes)
     dataset = torch.utils.data.ConcatDataset([celeba_dataset, digiface_dataset])
 
     shard_size = 10000
     next_shard = 0
     data = []
     shuffled_idxs = np.arange(len(dataset))
     np.random.shuffle(shuffled_idxs)
     for idx in tqdm(shuffled_idxs):
         data.append(dataset[idx])
         if len(data) == shard_size:
             with open(f'{cfg.prepared_data_path}/{next_shard}_shard.pickle', 'wb') as _file:
                 pickle.dump(data, _file)
             next_shard += 1
             data = []
     with open(f'{cfg.prepared_data_path}/{next_shard}_shard.pickle', 'wb') as _file:
         pickle.dump(data, _file)

下面就是使用FileLister收集.pickle数据集的所有路径，按worker划分并在每个worker上加载.pickle数据。

 @torchdata.datapipes.functional_datapipe("load_pickle_data")
 class PickleDataLoader(torchdata.datapipes.iter.IterDataPipe):
     def __init__(self, source_datapipe, **kwargs) -> None:
         self.source_datapipe = source_datapipe
         self.transform = kwargs['transform']
 
     def __iter__(self) -> Tuple[torch.Tensor, int]:
         for file_name in self.source_datapipe:
             with open(file_name, 'rb') as _file:
                 pickle_data = pickle.load(_file)
                 for image, label in pickle_data:
                     image = self.transform(image)
                     yield image, label
 
 
 def build_datapipes(cfg: Config) -> torchdata.datapipes.iter.IterDataPipe:
     datapipe = torchdata.datapipes.iter.FileLister(cfg.prepared_data_path, masks='*.pickle')
     datapipe = datapipe.shuffle()
     datapipe = datapipe.sharding_filter()
     datapipe = datapipe.load_pickle_data(transform=cfg.transform)
     return datapipe

数据加载对比

我们比较三种不同数据加载方法。对于所有测试，batch_size = 600。

n workers	Datasets, sec	DataPipes, sec	DataPipe + pickle, sec
10	3581	7986	758
5	10034	2993	760

当在未准备好的数据上使用DataPipe进行训练时(不使用pickle)，前几百个批次生成非常快，GPU使用率几乎是100%，但随后速度逐渐下降，这种方法甚至比使用n_workers=10的数据集还要慢。虽然我理解这两种方法的速度是一样的因为执行的操作是一样的，但实际上却不一样

DataLoader的最佳n_workers没有一个固定值，因为这取决于任务(图像大小，图像预处理的复杂性等等)和计算机配置(HDD vs SSD)。

当在有大量小图像的数据集上训练时，做数据的准备是必要的的，比如将小文件组合成几个大文件，这样可以减少从磁盘读取数据的时间。但是使用这种方法需要在将数据写入shard之前彻底打乱数据，来避免学习收敛性恶化。还需要选择合理的shard大小（它应该足够大以防止磁盘问题并且足够小以有效地使用datappipes中的Shuffler打乱数据）。

最后本文的代码在这里，有兴趣的可以自行测试比较：

https://github.com/karinaodm/pytorch-compare-datasets-vs-datapipes