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