Pytorch中DataLoader, DataSet, Sampler之間有怎樣的關系呢

這篇文章將為大家詳細講解有關Pytorch中DataLoader, DataSet, Sampler之間有怎樣的關系呢，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

以下內容都是針對Pytorch 1.0-1.1介紹。

很多文章都是從Dataset等對象自下往上進行介紹，但是對于初學者而言，其實這并不好理解，因為有的時候會不自覺地陷入到一些細枝末節中去，而不能把握重點，所以本文將會自上而下地對Pytorch數據讀取方法進行介紹。

自上而下理解三者關系

首先我們看一下DataLoader.next的源代碼長什么樣,為方便理解我只選取了num_works為0的情況（num_works簡單理解就是能夠并行化地讀取數據）。

class DataLoader(object):
	...
	
  def __next__(self):
    if self.num_workers == 0: 
      indices = next(self.sample_iter) # Sampler
      batch = self.collate_fn([self.dataset[i] for i in indices]) # Dataset
      if self.pin_memory:
        batch = _utils.pin_memory.pin_memory_batch(batch)
      return batch

在閱讀上面代碼前，我們可以假設我們的數據是一組圖像，每一張圖像對應一個index，那么如果我們要讀取數據就只需要對應的index即可，即上面代碼中的indices，而選取index的方式有多種，有按順序的，也有亂序的，所以這個工作需要Sampler完成，現在你不需要具體的細節，后面會介紹，你只需要知道DataLoader和Sampler在這里產生關系。

那么Dataset和DataLoader在什么時候產生關系呢？沒錯就是下面一行。我們已經拿到了indices，那么下一步我們只需要根據index對數據進行讀取即可了。

再下面的if語句的作用簡單理解就是，如果pin_memory=True,那么Pytorch會采取一系列操作把數據拷貝到GPU，總之就是為了加速。

綜上可以知道DataLoader，Sampler和Dataset三者關系如下：

在閱讀后文的過程中，你始終需要將上面的關系記在心里，這樣能幫助你更好地理解。

Sampler

參數傳遞

要更加細致地理解Sampler原理，我們需要先閱讀一下DataLoader 的源代碼，如下：

class DataLoader(object):
  def __init__(self, dataset, batch_size=1, shuffle=False, sampler=None,
         batch_sampler=None, num_workers=0, collate_fn=default_collate,
         pin_memory=False, drop_last=False, timeout=0,
         worker_init_fn=None)

可以看到初始化參數里有兩種sampler：sampler和batch_sampler，都默認為None。前者的作用是生成一系列的index，而batch_sampler則是將sampler生成的indices打包分組，得到一個又一個batch的index。例如下面示例中，BatchSampler將SequentialSampler生成的index按照指定的batch size分組。

>>>in : list(BatchSampler(SequentialSampler(range(10)), batch_size=3, drop_last=False))
>>>out: [[0, 1, 2], [3, 4, 5], [6, 7, 8], [9]]

Pytorch中已經實現的Sampler有如下幾種：

• SequentialSampler
 
• RandomSampler
 
• WeightedSampler
 
• SubsetRandomSampler

需要注意的是DataLoader的部分初始化參數之間存在互斥關系，這個你可以通過閱讀源碼更深地理解，這里只做總結：

• 如果你自定義了batch_sampler,那么這些參數都必須使用默認值：batch_size, shuffle,sampler,drop_last.
• 如果你自定義了sampler，那么shuffle需要設置為False
• 如果sampler和batch_sampler都為None,那么batch_sampler使用Pytorch已經實現好的BatchSampler,而sampler分兩種情況：
  • 若shuffle=True,則sampler=RandomSampler(dataset)
  • 若shuffle=False,則sampler=SequentialSampler(dataset)

如何自定義Sampler和BatchSampler？

仔細查看源代碼其實可以發現，所有采樣器其實都繼承自同一個父類，即Sampler,其代碼定義如下：

class Sampler(object):
  r"""Base class for all Samplers.
  Every Sampler subclass has to provide an :meth:`__iter__` method, providing a
  way to iterate over indices of dataset elements, and a :meth:`__len__` method
  that returns the length of the returned iterators.
  .. note:: The :meth:`__len__` method isn't strictly required by
       :class:`~torch.utils.data.DataLoader`, but is expected in any
       calculation involving the length of a :class:`~torch.utils.data.DataLoader`.
  """

  def __init__(self, data_source):
    pass

  def __iter__(self):
    raise NotImplementedError
		
  def __len__(self):
    return len(self.data_source)

所以你要做的就是定義好__iter__(self)函數，不過要注意的是該函數的返回值需要是可迭代的。例如SequentialSampler返回的是iter(range(len(self.data_source)))。

另外BatchSampler與其他Sampler的主要區別是它需要將Sampler作為參數進行打包，進而每次迭代返回以batch size為大小的index列表。也就是說在后面的讀取數據過程中使用的都是batch sampler。

Dataset

Dataset定義方式如下：

class Dataset(object):
	def __init__(self):
		...
		
	def __getitem__(self, index):
		return ...
	
	def __len__(self):
		return ...

上面三個方法是最基本的，其中__getitem__是最主要的方法，它規定了如何讀取數據。但是它又不同于一般的方法，因為它是python built-in方法，其主要作用是能讓該類可以像list一樣通過索引值對數據進行訪問。假如你定義好了一個dataset，那么你可以直接通過dataset[0]來訪問第一個數據。在此之前我一直沒弄清楚__getitem__是什么作用，所以一直不知道該怎么進入到這個函數進行調試。現在如果你想對__getitem__方法進行調試，你可以寫一個for循環遍歷dataset來進行調試了，而不用構建dataloader等一大堆東西了，建議學會使用ipdb這個庫，非常實用！！！以后有時間再寫一篇ipdb的使用教程。另外，其實我們通過最前面的Dataloader的__next__函數可以看到DataLoader對數據的讀取其實就是用了for循環來遍歷數據,不用往上翻了，我直接復制了一遍，如下：

class DataLoader(object): 
  ... 
   
  def __next__(self): 
    if self.num_workers == 0:  
      indices = next(self.sample_iter) 
      batch = self.collate_fn([self.dataset[i] for i in indices]) # this line 
      if self.pin_memory: 
        batch = _utils.pin_memory.pin_memory_batch(batch) 
      return batch

我們仔細看可以發現，前面還有一個self.collate_fn方法，這個是干嘛用的呢?在介紹前我們需要知道每個參數的意義：

• indices: 表示每一個iteration，sampler返回的indices，即一個batch size大小的索引列表
• self.dataset[i]: 前面已經介紹了，這里就是對第i個數據進行讀取操作，一般來說self.dataset[i]=(img, label)

看到這不難猜出collate_fn的作用就是將一個batch的數據進行合并操作。默認的collate_fn是將img和label分別合并成imgs和labels，所以如果你的__getitem__方法只是返回 img, label,那么你可以使用默認的collate_fn方法，但是如果你每次讀取的數據有img, box, label等等，那么你就需要自定義collate_fn來將對應的數據合并成一個batch數據，這樣方便后續的訓練步驟。

關于Pytorch中DataLoader, DataSet, Sampler之間有怎樣的關系呢就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。