Pytorch数据读取与预处理该如何实现
在炼丹时,数据的读取与预处理是关键一步。不同的模型所需要的数据以及预处理方式各不相同,如果每个*都我们自己写的话,是很浪费时间和精力的。pytorch帮我们实现了方便的数据读取与预处理方法,下面记录两个demo,便于加快以后的代码效率。
根据数据是否一次性读取完,将demo分为:
1、串行式读取。也就是一次性读取完所有需要的数据到内存,模型训练时不会再访问外存。通常用在内存足够的情况下使用,速度更快。
2、并行式读取。也就是边训练边读取数据。通常用在内存不够的情况下使用,会占用计算资源,如果分配的好的话,几乎不损失速度。
pytorch官方的数据提取方式尽管方便编码,但由于它提取数据方式比较死板,会浪费资源,下面对其进行分析。
1 串行式读取
1.1 demo代码
import torch from torch.utils.data import dataset,dataloader class mydataset(dataset):# ————1———— def __init__(self): self.data = torch.tensor(range(10)).reshape([5,2]) self.label = torch.tensor(range(5)) def __getitem__(self, index): return self.data[index], self.label[index] def __len__(self): return len(self.data) my_data_set = mydataset()# ————2———— my_data_loader = dataloader( dataset=my_data_set, # ————3———— batch_size=2, # ————4———— shuffle=true, # ————5———— sampler=none, # ————6———— batch_sampler=none, # ————7———— num_workers=0 , # ————8———— collate_fn=none, # ————9———— pin_memory=true, # ————10———— drop_last=true # ————11———— ) for i in my_data_loader: # ————12———— print(i)
注释处解释如下:
1、重写数据集类,用于保存数据。除了 __init__() 外,必须实现 __getitem__() 和 __len__() 两个方法。前一个方法用于输出索引对应的数据。后一个方法用于获取数据集的长度。
2~5、 2准备好数据集后,传入dataloader来迭代生成数据。前三个参数分别是传入的数据集对象、每次获取的批量大小、是否打乱数据集输出。
6、采样器,如果定义这个,shuffle只能设置为false。所谓采样器就是用于生成数据索引的可迭代对象,比如列表。因此,定义了采样器,采样都按它来,shuffle再打乱就没意义了。
7、批量采样器,如果定义这个,batch_size、shuffle、sampler、drop_last都不能定义。实际上,如果没有特殊的数据生成顺序的要求,采样器并没有必要定义。torch.utils.data 中的各种 sampler 就是采样器类,如果需要,可以使用它们来定义。
8、用于生成数据的子进程数。默认为0,不并行。
9、拼接多个样本的方法,默认是将每个batch的数据在第一维上进行拼接。这样可能说不清楚,并且由于这里可以探究一下获取数据的速度,后面再详细说明。
10、是否使用锁页内存。用的话会更快,内存不充足最好别用。
11、是否把最后小于batch的数据丢掉。
12、迭代获取数据并输出。
1.2 速度探索
首先看一下demo的输出:
输出了两个batch的数据,每组数据中data和label都正确排列,符合我们的预期。那么dataloader是怎么把数据整合起来的呢?首先,我们把collate_fn定义为直接映射(不用它默认的方法),来查看看每次dataloader从mydataset中读取了什么,将上面部分代码修改如下:
my_data_loader = dataloader( dataset=my_data_set, batch_size=2, shuffle=true, sampler=none, batch_sampler=none, num_workers=0 , collate_fn=lambda x:x, #修改处 pin_memory=true, drop_last=true )
结果如下:
输出还是两个batch,然而每个batch中,单个的data和label是在一个list中的。似乎可以看出,dataloader是一个一个读取mydataset中的数据的,然后再进行相应数据的拼接。为了验证这点,代码修改如下:
import torch from torch.utils.data import dataset,dataloader class mydataset(dataset): def __init__(self): self.data = torch.tensor(range(10)).reshape([5,2]) self.label = torch.tensor(range(5)) def __getitem__(self, index): print(index) #修改处2 return self.data[index], self.label[index] def __len__(self): return len(self.data) my_data_set = mydataset() my_data_loader = dataloader( dataset=my_data_set, batch_size=2, shuffle=true, sampler=none, batch_sampler=none, num_workers=0 , collate_fn=lambda x:x, #修改处1 pin_memory=true, drop_last=true ) for i in my_data_loader: print(i)
输出如下:
验证了前面的猜想,的确是一个一个读取的。如果数据集定义的不是格式化的数据,那还好,但是我这里定义的是tensor,是可以直接通过列表来索引对应的tensor的。因此,dataloader的操作比直接索引多了拼接这一步,肯定是会慢很多的。一两次的读取还好,但在训练中,大量的读取累加起来,就会浪费很多时间了。
自定义一个dataloader可以证明这一点,代码如下:
import torch from torch.utils.data import dataset,dataloader from time import time class mydataset(dataset): def __init__(self): self.data = torch.tensor(range(100000)).reshape([50000,2]) self.label = torch.tensor(range(50000)) def __getitem__(self, index): return self.data[index], self.label[index] def __len__(self): return len(self.data) # 自定义dataloader class mydataloader(): def __init__(self, dataset,batch_size): self.dataset = dataset self.batch_size = batch_size def __iter__(self): self.now = 0 self.shuffle_i = np.array(range(self.dataset.__len__())) np.random.shuffle(self.shuffle_i) return self def __next__(self): self.now += self.batch_size if self.now <= len(self.shuffle_i): indexes = self.shuffle_i[self.now-self.batch_size:self.now] return self.dataset.__getitem__(indexes) else: raise stopiteration # 使用官方dataloader my_data_set = mydataset() my_data_loader = dataloader( dataset=my_data_set, batch_size=256, shuffle=true, sampler=none, batch_sampler=none, num_workers=0 , collate_fn=none, pin_memory=true, drop_last=true ) start_t = time() for t in range(10): for i in my_data_loader: pass print("官方:", time() - start_t) #自定义dataloader my_data_set = mydataset() my_data_loader = mydataloader(my_data_set,256) start_t = time() for t in range(10): for i in my_data_loader: pass print("自定义:", time() - start_t)
运行结果如下:
以上使用batch大小为256,仅各读取10 epoch的数据,都有30多倍的时间上的差距,更大的batch差距会更明显。另外,这里用于测试的每个数据只有两个浮点数,如果是图像,所需的时间可能会增加几百倍。因此,如果数据量和batch都比较大,并且数据是格式化的,最好自己写数据生成器。
2 并行式读取
2.1 demo代码
import matplotlib.pyplot as plt from torch.utils.data import dataloader from torchvision import transforms from torchvision.datasets import imagefolder path = r'e:\datasets\imagenet\ilsvrc2012_img_train\10-19\128x128' my_data_set = imagefolder( #————1———— root = path, #————2———— transform = transforms.compose([ #————3———— transforms.totensor(), transforms.centercrop(64) ]), loader = plt.imread #————4———— ) my_data_loader = dataloader( dataset=my_data_set, batch_size=128, shuffle=true, sampler=none, batch_sampler=none, num_workers=0, collate_fn=none, pin_memory=true, drop_last=true ) for i in my_data_loader: print(i)
注释处解释如下:
1/2、imagefolder类继承自dataset类,因此可以按索引读取图像。路径必须包含文件夹,imagefolder会给每个文件夹中的图像添加索引,并且每张图像会给予其所在文件夹的标签。举个例子,代码中my_data_set[0] 输出的是图像对象和它对应的标签组成的列表。
3、图像到格式化数据的转换组合。更多的转换方法可以看 transform 模块。
4、图像法的读取方式,默认是pil.image.open(),但我发现plt.imread()更快一些。
由于是边训练边读取,transform会占用很多时间,因此可以先将图像转换为需要的形式存入外存再读取,从而避免重复操作。
其中transform.totensor()会把正常读取的图像转换为torch.tensor,并且像素值会映射至[0,1][0,1]。由于plt.imread()读取png图像时,像素值在[0,1][0,1],而读取jpg图像时,像素值却在[0,255][0,255],因此使用transform.totensor()能将图像像素区间统一化。
以上就是pytorch数据读取与预处理该如何实现的详细内容,更多关于pytorch数据读取与预处理的资料请关注其它相关文章!
上一篇: MySQL大库搭建主从的一种思路分享
下一篇: 核桃都可以做哪些小吃?一起品尝它的美味。