torch.utils.data.DataLoader與迭代器轉(zhuǎn)換的方法

這篇文章主要介紹“torch.utils.data.DataLoader與迭代器轉(zhuǎn)換的方法”的相關(guān)知識(shí)，小編通過(guò)實(shí)際案例向大家展示操作過(guò)程，操作方法簡(jiǎn)單快捷，實(shí)用性強(qiáng)，希望這篇“torch.utils.data.DataLoader與迭代器轉(zhuǎn)換的方法”文章能幫助大家解決問(wèn)題。

在做實(shí)驗(yàn)時(shí)，我們常常會(huì)使用用開(kāi)源的數(shù)據(jù)集進(jìn)行測(cè)試。而Pytorch中內(nèi)置了許多數(shù)據(jù)集，這些數(shù)據(jù)集我們常常使用DataLoader類(lèi)進(jìn)行加載。
如下面這個(gè)我們使用DataLoader類(lèi)加載torch.vision中的FashionMNIST數(shù)據(jù)集。

from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plt

training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)

我們接下來(lái)定義Dataloader對(duì)象用于加載這兩個(gè)數(shù)據(jù)集：

train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)

那么這個(gè)train_dataloader究竟是什么類(lèi)型呢？

print(type(train_dataloader))  # <class 'torch.utils.data.dataloader.DataLoader'>

我們可以將先其轉(zhuǎn)換為迭代器類(lèi)型。

print(type(iter(train_dataloader)))# <class 'torch.utils.data.dataloader._SingleProcessDataLoaderIter'>

然后再使用next(iter(train_dataloader))從迭代器里取數(shù)據(jù)，如下所示：

train_features, train_labels = next(iter(train_dataloader))
print(f"Feature batch shape: {train_features.size()}")
print(f"Labels batch shape: {train_labels.size()}")
img = train_features[0].squeeze()
label = train_labels[0]
plt.imshow(img, cmap="gray")
plt.show()
print(f"Label: {label}")

可以看到我們成功獲取了數(shù)據(jù)集中第一張圖片的信息，控制臺(tái)打印：

Feature batch shape: torch.Size([64, 1, 28, 28])
Labels batch shape: torch.Size([64])
Label: 2

圖片可視化顯示如下：

不過(guò)有讀者可能就會(huì)產(chǎn)生疑問(wèn)，很多時(shí)候我們并沒(méi)有將DataLoader類(lèi)型強(qiáng)制轉(zhuǎn)換成迭代器類(lèi)型呀，大多數(shù)時(shí)候我們會(huì)寫(xiě)如下代碼：

for train_features, train_labels in train_dataloader: 
    print(train_features.shape) # torch.Size([64, 1, 28, 28])
    print(train_features[0].shape) # torch.Size([1, 28, 28])
    print(train_features[0].squeeze().shape) # torch.Size([28, 28])
    
    img = train_features[0].squeeze()
    label = train_labels[0]
    plt.imshow(img, cmap="gray")
    plt.show()
    print(f"Label: {label}")

可以看到，該代碼也能夠正常迭代訓(xùn)練數(shù)據(jù)，前三個(gè)樣本的控制臺(tái)打印輸出為：

torch.Size([64, 1, 28, 28])
torch.Size([1, 28, 28])
torch.Size([28, 28])
Label: 7
torch.Size([64, 1, 28, 28])
torch.Size([1, 28, 28])
torch.Size([28, 28])
Label: 4
torch.Size([64, 1, 28, 28])
torch.Size([1, 28, 28])
torch.Size([28, 28])
Label: 1

那么為什么我們這里沒(méi)有顯式將Dataloader轉(zhuǎn)換為迭代器類(lèi)型呢，其實(shí)是Python語(yǔ)言for循環(huán)的一種機(jī)制，一旦我們用for ... in ...句式來(lái)迭代一個(gè)對(duì)象，那么Python解釋器就會(huì)偷偷地自動(dòng)幫我們創(chuàng)建好迭代器，也就是說(shuō)

for train_features, train_labels in train_dataloader:

實(shí)際上等同于

for train_features, train_labels in iter(train_dataloader):

更進(jìn)一步，這實(shí)際上等同于

train_iterator = iter(train_dataloader)
try:
    while True:
        train_features, train_labels = next(train_iterator)
except StopIteration:
    pass

推而廣之，我們?cè)谟肞ython迭代直接迭代列表時(shí)：

for x in [1, 2, 3, 4]:

其實(shí)Python解釋器已經(jīng)為我們隱式轉(zhuǎn)換為迭代器了：

list_iterator = iter([1, 2, 3, 4])
try:
    while True:
        x = next(list_iterator)
except StopIteration:
    pass

關(guān)于“torch.utils.data.DataLoader與迭代器轉(zhuǎn)換的方法”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識(shí)，可以關(guān)注億速云行業(yè)資訊頻道，小編每天都會(huì)為大家更新不同的知識(shí)點(diǎn)。