問(wèn)題
最近用pytorch做實(shí)驗(yàn)時(shí),遇到加載大量數(shù)據(jù)的問(wèn)題。實(shí)驗(yàn)數(shù)據(jù)大小在400Gb,而本身機(jī)器的memory只有256Gb,顯然無(wú)法將數(shù)據(jù)一次全部load到memory。
解決方法
首先自定義一個(gè)MyDataset繼承torch.utils.data.Dataset,然后將MyDataset的對(duì)象feed in torch.utils.data.DataLoader()即可。
MyDataset在__init__中聲明一個(gè)文件對(duì)象,然后在__getitem__中緩慢讀取數(shù)據(jù),這樣就不會(huì)一次把所有數(shù)據(jù)加載到內(nèi)存中了。訓(xùn)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(xùn)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(duì)訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)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(shè)置為1。因?yàn)镸yDataset初始化時(shí)只有一個(gè)文件對(duì)象,在dataloader時(shí)num_workers=1只用一個(gè)線程去操作文件對(duì)象讀取數(shù)據(jù)。如果num_workers>1, 會(huì)出錯(cuò),多個(gè)線程同時(shí)操作同一個(gè)文件對(duì)象,得到的數(shù)據(jù)并不是你想要的。
2、每一個(gè)epoch結(jié)束以后,需要重新聲明train_dataset和training_data。因?yàn)橐粋€(gè)epoch結(jié)束以后,文件對(duì)象已經(jīng)指向文件末尾,下一個(gè)epoch取數(shù)據(jù)時(shí),什么也得不到。
3、因?yàn)檫@里__getitem__()只是順序的從文件中取出一行,而與index無(wú)關(guān),那么在DataLoader時(shí),即使參數(shù)shuffle指定為T(mén)rue,得到的數(shù)據(jù)依然是順序的,即該方法無(wú)法shuffle數(shù)據(jù)。
補(bǔ)充:Pytorch加載自己的數(shù)據(jù)集(使用DataLoader讀取Dataset)
1. 我們經(jīng)常可以看到Pytorch加載數(shù)據(jù)集會(huì)用到官方整理好的數(shù)據(jù)集
很多時(shí)候我們需要加載自己的數(shù)據(jù)集,這時(shí)候我們需要使用Dataset和DataLoader
Dataset:是被封裝進(jìn)DataLoader里,實(shí)現(xiàn)該方法封裝自己的數(shù)據(jù)和標(biāo)簽。
DataLoader:被封裝入DataLoaderIter里,實(shí)現(xiàn)該方法達(dá)到數(shù)據(jù)的劃分。
2.Dataset
閱讀源碼后,我們可以指導(dǎo),繼承該方法必須實(shí)現(xiàn)兩個(gè)方法:
_getitem_()
_len_()
因此,在實(shí)現(xiàn)過(guò)程中我們測(cè)試如下:
import torch
import numpy as np
# 定義GetLoader類(lèi),繼承Dataset方法,并重寫(xiě)__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?jǐn)?shù)據(jù)后得到的索引,最后將data和對(duì)應(yīng)的labels進(jìn)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?cái)?shù)據(jù)大小長(zhǎng)度,目的是DataLoader方便劃分,如果不知道大小,DataLoader會(huì)一臉懵逼
def __len__(self):
return len(self.data)
# 隨機(jī)生成數(shù)據(jù),大小為10 * 20列
source_data = np.random.rand(10, 20)
# 隨機(jī)生成標(biāo)簽,大小為10 * 1列
source_label = np.random.randint(0,2,(10, 1))
# 通過(guò)GetLoader將數(shù)據(jù)進(jìn)行加載,返回Dataset對(duì)象,包含data和labels
torch_data = GetLoader(source_data, source_label)
3.DataLoader
提供對(duì)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(duì)象數(shù)據(jù)
batch_size: 每個(gè)batch的大小
shuffle:是否對(duì)數(shù)據(jù)進(jìn)行打亂
drop_last:是否對(duì)無(wú)法整除的最后一個(gè)datasize進(jìn)行丟棄
num_workers:表示加載的時(shí)候子進(jìn)程數(shù)
因此,在實(shí)現(xiàn)過(guò)程中我們測(cè)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(shí),我們的數(shù)據(jù)已經(jīng)加載完畢了,只需要在訓(xùn)練過(guò)程中使用即可。
4.查看數(shù)據(jù)
我們可以通過(guò)迭代器(enumerate)進(jìn)行輸出數(shù)據(jù),測(cè)試如下:
for i, data in enumerate(datas):
# i表示第幾個(gè)batch, data表示該batch對(duì)應(yīng)的數(shù)據(jù),包含data和對(duì)應(yīng)的labels
print("第 {} 個(gè)Batch \n{}".format(i, data))
輸出結(jié)果如下圖:
結(jié)果說(shuō)明:由于數(shù)據(jù)的是10個(gè),batchsize大小為6,且drop_last=False,因此第一個(gè)大小為6,第二個(gè)為4。每一個(gè)batch中包含data和對(duì)應(yīng)的labels。
當(dāng)我們想取出data和對(duì)應(yīng)的labels時(shí)候,只需要用下表就可以啦,測(cè)試如下:
# 表示輸出數(shù)據(jù)
print(data[0])
# 表示輸出標(biāo)簽
print(data[1])
結(jié)果如圖:
以上為個(gè)人經(jīng)驗(yàn),希望能給大家一個(gè)參考,也希望大家多多支持腳本之家。
您可能感興趣的文章:- Pytorch數(shù)據(jù)讀取之Dataset和DataLoader知識(shí)總結(jié)
- Pytorch自定義Dataset和DataLoader去除不存在和空數(shù)據(jù)的操作
- pytorch Dataset,DataLoader產(chǎn)生自定義的訓(xùn)練數(shù)據(jù)案例
- PyTorch實(shí)現(xiàn)重寫(xiě)/改寫(xiě)Dataset并載入Dataloader
- 一文弄懂Pytorch的DataLoader, DataSet, Sampler之間的關(guān)系
- Pytorch 定義MyDatasets實(shí)現(xiàn)多通道分別輸入不同數(shù)據(jù)方式
- PyTorch 解決Dataset和Dataloader遇到的問(wèn)題