torch.utils.data是PyTorch中用于数据加载和预处理的模块。其中包含Dataset和DataLoader两个类，它们通常联合应用来加载和解决数据。
Dataset
torch.utils.data.Dataset是一个抽象类，用于示意数据集。它须要用户本人实现两个办法：__len__和__getitem__。其中，__len__办法返回数据集的大小，__getitem__办法用于依据给定的索引返回一个数据样本。
以下是一个简略的示例，展现了如何定义一个数据集：
import torch.utils.data as dataclass MyDataset(data.Dataset): def __init__(self, data_list): self.data_list = data_list def __len__(self): return len(self.data_list) def __getitem__(self, index): return self.data_list[index]在这个示例中，MyDataset继承了torch.utils.data.Dataset类，并实现了__len__和__getitem__办法。__len__办法返回数据集的大小，这里应用了Python内置函数len。__getitem__办法依据给定的索引返回一个数据样本，这里返回的是数据列表中对应的元素。
DataLoader
torch.utils.data.DataLoader是用于加载数据的类，它能够主动对数据进行批量解决和随机化。以下是一个简略的示例：
import torch.utils.data as datamy_dataset = MyDataset([1, 2, 3, 4, 5])my_dataloader = data.DataLoader(my_dataset, batch_size=2, shuffle=True)for batch in my_dataloader: print(batch)在这个示例中，咱们首先创立了一个MyDataset实例my_dataset，它蕴含了一个整数列表。而后，咱们应用DataLoader类创立了一个数据加载器my_dataloader，它将my_dataset作为输出，并将数据分成大小为2的批次，并对数据进行随机化。最初，咱们应用一个循环来遍历my_dataloader，并打印出每个批次的数据。
总结一下，torch.utils.data.Dataset用于示意数据集，torch.utils.data.DataLoader用于加载数据，并对数据进行批量解决和随机化。上面是一个残缺的示例，展现了如何应用这两个类来加载和解决数据：
import torch.utils.data as dataclass MyDataset(data.Dataset): def __init__(self, data_list): self.data_list = data_list def __len__(self): return len(self.data_list) def __getitem__(self, index): return self.data_list[index]my_dataset = MyDataset([1, 2, 3, 4, 5])my_dataloader = data.DataLoader(my_dataset, batch_size=2, shuffle=True)for batch in my_dataloader: print(batch)除了上述介绍的根本用法，torch.utils.data模块还有许多其余的性能和选项。上面介绍一些罕用的选项和性能。
num_workers
num_workers参数用于指定应用多少个过程来加载数据。默认值为0，示意应用主过程加载数据。如果设置为大于0的值，将应用多个过程来加载数据，能够进步数据加载的效率。
以下是一个示例：
my_dataloader = data.DataLoader(my_dataset, batch_size=2, shuffle=True, num_workers=4)在这个示例中，num_workers被设置为4，示意将应用4个过程来加载数据。
pin_memory
pin_memory参数用于指定是否将数据加载到CUDA主机内存中的固定地位（pinned memory），以进步数据传输效率。默认值为False。
以下是一个示例：
my_dataloader = data.DataLoader(my_dataset, batch_size=2, shuffle=True, pin_memory=True)在这个示例中，pin_memory被设置为True，示意将数据加载到CUDA主机内存中的固定地位。
collate_fn
collate_fn参数用于指定如何将样本组合成一个批次。默认状况下，DataLoader将每个样本作为一个独自的元素传递给模型，但在某些状况下，须要将样本组合成一个批次，以便一次性对整个批次进行解决。
以下是一个示例：
def my_collate_fn(batch): # 将样本组合成一个批次 data = [item[0] for item in batch] target = [item[1] for item in batch] return [data, target]my_dataloader = data.DataLoader(my_dataset, batch_size=2, shuffle=True, collate_fn=my_collate_fn)在这个示例中，my_collate_fn是一个自定义的函数，用于将样本组合成一个批次。DataLoader将每个样本作为一个元素传递给my_collate_fn函数，函数将样本组合成一个批次，并返回一个蕴含数据和指标的列表。
Sampler
Sampler是一个用于指定数据集采样形式的类，它管制DataLoader如何从数据集中选取样本。PyTorch提供了多种Sampler类，例如RandomSampler和SequentialSampler，别离用于随机采样和程序采样。
以下是一个示例：
from torch.utils.data.sampler import RandomSamplermy_sampler = RandomSampler(my_dataset)my_dataloader = data.DataLoader(my_dataset, batch_size=2, shuffle=False, sampler=my_sampler)在这个示例中，咱们应用RandomSampler类来指定随机采样形式，而后将其传递给DataLoader的sampler参数。这将笼罩默认的shuffle参数，使数据集依照sampler指定的采样形式进行
自定义Dataset
除了应用torchvision.datasets中提供的数据集，咱们还能够应用torch.utils.data.Dataset类来自定义本人的数据集。自定义数据集须要实现__len__和__getitem__办法。
__len__办法返回数据集中样本的数量，__getitem__办法依据给定的索引返回一个样本。样本能够是一个张量或者一个元组，其中第一个元素是数据，第二个元素是指标。
以下是一个示例：
class MyDataset(data.Dataset): def __init__(self, data_path): self.data = torch.load(data_path) def __len__(self): return len(self.data) def __getitem__(self, index): x = self.data[index][0] y = self.data[index][1] return x, y在这个示例中，MyDataset类继承自torch.utils.data.Dataset类，实现了__len__和__getitem__办法。MyDataset类的构造函数承受一个数据门路作为参数，数据集被保留为一个由数据-指标对组成的列表。__len__办法返回数据集中样本的数量，__getitem__办法依据给定的索引返回一个数据-指标对。
自定义Sampler
除了应用torch.utils.data.sampler中提供的采样器，咱们还能够应用Sampler类来自定义本人的采样器。自定义采样器须要实现__iter__和__len__办法。
__iter__办法返回一个迭代器，用于遍历数据集中的样本索引。__len__办法返回数据集中样本的数量。
以下是一个示例：
class MySampler(Sampler): def __init__(self, data_source): self.data_source = data_source def __iter__(self): return iter(range(len(self.data_source))) def __len__(self): return len(self.data_source)在这个示例中，MySampler类继承自torch.utils.data.sampler.Sampler类，实现了__iter__和__len__办法。MySampler类的构造函数承受一个数据集作为参数，__iter__办法返回一个迭代器，用于遍历数据集中的样本索引，__len__办法返回数据集中样本的数量。
自定义Transform
除了应用torchvision.transforms中提供的变换，咱们还能够应用transforms模块中的Compose类来自定义本人的变换。Compose类将多个变换组合在一起，并依照程序利用它们。
以下是一个示例：
class MyTransform(object): def __call__(self, x): x = self.crop(x) x = self.to_tensor(x) return x def crop(self, x): # 实现裁剪变换 return x def to_tensor(self, x): # 实现张量化变换 return xmy_transform = transforms.Composemy_transform = transforms.Compose([ MyTransform()])# 创立数据集和数据加载器my_dataset = MyDataset(data_path)my_dataloader = DataLoader(my_dataset, batch_size=32, shuffle=True, num_workers=4)# 遍历数据集for batch in my_dataloader: # 在这里解决数据批次 pass在这个示例中，MyTransform类实现了一个自定义的变换，它将裁剪和张量化两个变换组合在一起。transforms.Compose将这个自定义变换组合成一个变换序列，并在数据集中的每个样本上利用这个序列。
最初，咱们创立了一个数据集和数据加载器，并用它们来遍历数据集。在数据加载器返回的每个批次中，数据曾经通过了咱们自定义的变换序列。
总结
在这篇文章中，咱们介绍了torch.utils.data模块中的Dataset和DataLoader类，并给出了具体的代码示例。咱们还探讨了如何自定义数据集、采样器和变换，并给出了相应的代码示例。应用Dataset和DataLoader类，咱们能够轻松地加载和解决大规模数据集，为模型训练提供了弱小的反对。
本文由mdnice多平台公布