問題

最近用pytorch做實(shí)驗(yàn)時(shí)，遇到加載大量數(shù)據(jù)的問題。實(shí)驗(yàn)數(shù)據(jù)大小在400Gb，而本身機(jī)器的memory只有256Gb，顯然無法將數(shù)據(jù)一次全部load到memory。

解決方法

首先自定義一個(gè)MyDataset繼承torch.utils.data.Dataset，然后將MyDataset的對(duì)象feed in torch.utils.data.DataLoader()即可。

MyDataset在__init__中聲明一個(gè)文件對(duì)象，然后在__getitem__中緩慢讀取數(shù)據(jù)，這樣就不會(huì)一次把所有數(shù)據(jù)加載到內(nèi)存中了。訓(xùn)練數(shù)據(jù)存放在train.txt中，每一行是一條數(shù)據(jù)記錄。

import torch.utils.data as Data
from tqdm import tqdm
class MyDataset(Data.Dataset):
	def __init__(self,filepath):
		number = 0
		with open(filepath,"r") as f:
			# 獲得訓(xùn)練數(shù)據(jù)的總行數(shù)
			for _ in tqdm(f,desc="load training dataset"):
				number+=1
		self.number = number
		self.fopen = open(filepath,'r')
	def __len__(self):
		return self.number
	def __getitem__(self,index):
		line = self.fopen.__next__()
		# 自定義transform()對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理
		data = transform(line)
		return data

train_dataset = MyDataset(filepath = "train.txt")
training_data = Data.DataLoader(dataset=train_dataset, batch_size=32,num_workers=1)

注意

1、num_workers只能設(shè)置為1。因?yàn)镸yDataset初始化時(shí)只有一個(gè)文件對(duì)象，在dataloader時(shí)num_workers=1只用一個(gè)線程去操作文件對(duì)象讀取數(shù)據(jù)。如果num_workers>1, 會(huì)出錯(cuò)，多個(gè)線程同時(shí)操作同一個(gè)文件對(duì)象，得到的數(shù)據(jù)并不是你想要的。

2、每一個(gè)epoch結(jié)束以后，需要重新聲明train_dataset和training_data。因?yàn)橐粋€(gè)epoch結(jié)束以后，文件對(duì)象已經(jīng)指向文件末尾，下一個(gè)epoch取數(shù)據(jù)時(shí)，什么也得不到。

3、因?yàn)檫@里__getitem__()只是順序的從文件中取出一行，而與index無關(guān)，那么在DataLoader時(shí)，即使參數(shù)shuffle指定為True，得到的數(shù)據(jù)依然是順序的，即該方法無法shuffle數(shù)據(jù)。

補(bǔ)充：Pytorch加載自己的數(shù)據(jù)集(使用DataLoader讀取Dataset)

1. 我們經(jīng)常可以看到Pytorch加載數(shù)據(jù)集會(huì)用到官方整理好的數(shù)據(jù)集

很多時(shí)候我們需要加載自己的數(shù)據(jù)集，這時(shí)候我們需要使用Dataset和DataLoader

Dataset：是被封裝進(jìn)DataLoader里，實(shí)現(xiàn)該方法封裝自己的數(shù)據(jù)和標(biāo)簽。

DataLoader：被封裝入DataLoaderIter里，實(shí)現(xiàn)該方法達(dá)到數(shù)據(jù)的劃分。

2.Dataset

閱讀源碼后，我們可以指導(dǎo)，繼承該方法必須實(shí)現(xiàn)兩個(gè)方法：

_getitem_()

_len_()

因此，在實(shí)現(xiàn)過程中我們測(cè)試如下：

import torch
import numpy as np

# 定義GetLoader類，繼承Dataset方法，并重寫__getitem__()和__len__()方法
class GetLoader(torch.utils.data.Dataset):
	# 初始化函數(shù)，得到數(shù)據(jù)
    def __init__(self, data_root, data_label):
        self.data = data_root
        self.label = data_label
    # index是根據(jù)batchsize劃分?jǐn)?shù)據(jù)后得到的索引，最后將data和對(duì)應(yīng)的labels進(jìn)行一起返回
    def __getitem__(self, index):
        data = self.data[index]
        labels = self.label[index]
        return data, labels
    # 該函數(shù)返回?cái)?shù)據(jù)大小長度，目的是DataLoader方便劃分，如果不知道大小，DataLoader會(huì)一臉懵逼
    def __len__(self):
        return len(self.data)

# 隨機(jī)生成數(shù)據(jù)，大小為10 * 20列
source_data = np.random.rand(10, 20)
# 隨機(jī)生成標(biāo)簽，大小為10 * 1列
source_label = np.random.randint(0,2,(10, 1))
# 通過GetLoader將數(shù)據(jù)進(jìn)行加載，返回Dataset對(duì)象，包含data和labels
torch_data = GetLoader(source_data, source_label)

3.DataLoader

提供對(duì)Dataset的操作，操作如下：

torch.utils.data.DataLoader(dataset,batch_size,shuffle,drop_last，num_workers)

參數(shù)含義如下：

dataset： 加載torch.utils.data.Dataset對(duì)象數(shù)據(jù)

batch_size： 每個(gè)batch的大小

shuffle：是否對(duì)數(shù)據(jù)進(jìn)行打亂

drop_last：是否對(duì)無法整除的最后一個(gè)datasize進(jìn)行丟棄

num_workers：表示加載的時(shí)候子進(jìn)程數(shù)

因此，在實(shí)現(xiàn)過程中我們測(cè)試如下（緊跟上述用例）：

from torch.utils.data import DataLoader

# 讀取數(shù)據(jù)
datas = DataLoader(torch_data, batch_size=6, shuffle=True, drop_last=False, num_workers=2)

此時(shí)，我們的數(shù)據(jù)已經(jīng)加載完畢了，只需要在訓(xùn)練過程中使用即可。

4.查看數(shù)據(jù)

我們可以通過迭代器（enumerate）進(jìn)行輸出數(shù)據(jù)，測(cè)試如下：

for i, data in enumerate(datas):
 # i表示第幾個(gè)batch， data表示該batch對(duì)應(yīng)的數(shù)據(jù)，包含data和對(duì)應(yīng)的labels
    print("第 {} 個(gè)Batch \n{}".format(i, data))

輸出結(jié)果如下圖：

結(jié)果說明：由于數(shù)據(jù)的是10個(gè)，batchsize大小為6，且drop_last=False，因此第一個(gè)大小為6，第二個(gè)為4。每一個(gè)batch中包含data和對(duì)應(yīng)的labels。

當(dāng)我們想取出data和對(duì)應(yīng)的labels時(shí)候，只需要用下表就可以啦，測(cè)試如下：

# 表示輸出數(shù)據(jù)
print(data[0])
# 表示輸出標(biāo)簽
print(data[1])

結(jié)果如圖：

以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。