Pytorch資料讀取與預處理實現與探索
在煉丹時,資料的讀取與預處理是關鍵一步。不同的模型所需要的資料以及預處理方式各不相同,如果每個輪子都我們自己寫的話,是很浪費時間和精力的。Pytorch幫我們實現了方便的資料讀取與預處理方法,下面記錄兩個DEMO,便於加快以後的程式碼效率。
根據資料是否一次性讀取完,將DEMO分為:
1、序列式讀取。也就是一次性讀取完所有需要的資料到記憶體,模型訓練時不會再訪問外存。通常用在記憶體足夠的情況下使用,速度更快。
2、並行式讀取。也就是邊訓練邊讀取資料。通常用在記憶體不夠的情況下使用,會佔用計算資源,如果分配的好的話,幾乎不損失速度。
Pytorch官方的資料提取方式儘管方便編碼,但由於它提取資料方式比較死板,會浪費資源,下面對其進行分析。
序列式讀取
DEMO程式碼
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)
註釋處解釋如下:
1、重寫資料集類,用於儲存資料。除了 __init__() 外,必須實現 __getitem__() 和 __len__() 兩個方法。前一個方法用於輸出索引對應的資料。後一個方法用於獲取資料集的長度。
2~5、 2準備好資料集後,傳入DataLoader來迭代生成資料。前三個引數分別是傳入的資料集物件、每次獲取的批量大小、是否打亂資料集輸出。
6、取樣器,如果定義這個,shuffle只能設定為False。所謂取樣器就是用於生成資料索引的可迭代物件,比如列表。因此,定義了取樣器,取樣都按它來,shuffle再打亂就沒意義了。
7、批量取樣器,如果定義這個,batch_size、shuffle、sampler、drop_last都不能定義。實際上,如果沒有特殊的資料生成順序的要求,取樣器並沒有必要定義。torch.utils.data 中的各種 Sampler 就是取樣器類,如果需要,可以使用它們來定義。
8、用於生成資料的子程序數。預設為0,不併行。
9、拼接多個樣本的方法,預設是將每個batch的資料在第一維上進行拼接。這樣可能說不清楚,並且由於這裡可以探究一下獲取資料的速度,後面再詳細說明。
10、是否使用鎖頁記憶體。用的話會更快,記憶體不充足最好別用。
11、是否把最後小於batch的資料丟掉。
12、迭代獲取資料並輸出。
速度探索
首先看一下DEMO的輸出:
輸出了兩個batch的資料,每組資料中data和label都正確排列,符合我們的預期。那麼DataLoader是怎麼把資料整合起來的呢?首先,我們把collate_fn定義為直接對映(不用它預設的方法),來檢視看每次DataLoader從MyDataSet中讀取了什麼,將上面部分程式碼修改如下:
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, #修改處 pin_memory=True, drop_last=True )
結果如下:
輸出還是兩個batch,然而每個batch中,單個的data和label是在一個list中的。似乎可以看出,DataLoader是一個一個讀取MyDataSet中的資料的,然後再進行相應資料的拼接。為了驗證這點,程式碼修改如下:
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) #修改處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, #修改處1 pin_memory=True, drop_last=True ) for i in my_data_loader: print(i)
輸出如下:
驗證了前面的猜想,的確是一個一個讀取的。如果資料集定義的不是格式化的資料,那還好,但是我這裡定義的是tensor,是可以直接通過列表來索引對應的tensor的。因此,DataLoader的操作比直接索引多了拼接這一步,肯定是會慢很多的。一兩次的讀取還好,但在訓練中,大量的讀取累加起來,就會浪費很多時間了。
自定義一個DataLoader可以證明這一點,程式碼如下:
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) # 自定義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) #自定義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("自定義:", time() - start_t)
執行結果如下:
以上使用batch大小為256,僅各讀取10 epoch的資料,都有30多倍的時間上的差距,更大的batch差距會更明顯。另外,這裡用於測試的每個資料只有兩個浮點數,如果是影象,所需的時間可能會增加幾百倍。因此,如果資料量和batch都比較大,並且資料是格式化的,最好自己寫資料生成器。
並行式讀取
DEMO程式碼
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)
註釋處解釋如下:
1/2、ImageFolder類繼承自DataSet類,因此可以按索引讀取影象。路徑必須包含資料夾,ImageFolder會給每個資料夾中的影象新增索引,並且每張影象會給予其所在資料夾的標籤。舉個例子,程式碼中my_data_set[0] 輸出的是影象物件和它對應的標籤組成的列表。
3、影象到格式化資料的轉換組合。更多的轉換方法可以看 transform 模組。
4、影象法的讀取方式,預設是PIL.Image.open(),但我發現plt.imread()更快一些。
由於是邊訓練邊讀取,transform會佔用很多時間,因此可以先將影象轉換為需要的形式存入外存再讀取,從而避免重複操作。
其中transform.ToTensor()會把正常讀取的影象轉換為torch.tensor,並且畫素值會對映至$[0,1]$。由於plt.imread()讀取png影象時,畫素值在$[0,1]$,而讀取jpg影象時,畫素值卻在$[0,255]$,因此使用transform.ToTensor()能將影象畫素區間統一