学习基础知识 || 快速开始 || 张量 || 数据集和数据加载器 || 数据变换 || 构建模型 || 自动求导 || 优化 || 保存和加载模型

数据集和数据加载器

Created On: Feb 09, 2021 | Last Updated: Jun 02, 2025 | Last Verified: Nov 05, 2024

处理数据的代码往往会变得混乱且难以维护；我们理想上的数据集代码应该与模型训练代码解耦，从而提高可读性和模块化。PyTorch 提供了两个数据原语：torch.utils.data.DataLoader 和 torch.utils.data.Dataset，它们允许您使用预加载的数据集以及自定义数据。Dataset 存储样本及其对应的标签，而 DataLoader 为 Dataset 包装一个可迭代对象，以便轻松访问样本。

PyTorch 的领域库提供了许多预加载的数据集（如 FashionMNIST），这些数据集继承自 torch.utils.data.Dataset 并实现了特定于特定数据的功能。这些数据集可用于原型设计和基准测试您的模型。您可以在此找到它们：图像数据集，文本数据集，和 音频数据集。

加载一个数据集

以下是加载 Fashion-MNIST 数据集的示例代码。Fashion-MNIST 是 Zalando 文章图片的数据集，由 60,000 个训练样本和 10,000 个测试样本组成。每个样本包含一张 28×28 的灰度图像及其 10 个类别中的一个关联标签。

我们使用以下参数加载 FashionMNIST 数据集：

• root 是存储训练/测试数据的路径，

• train 指定是训练集还是测试集，

• download=True 表示如果数据未在 root 路径下，则从互联网下载数据。

• transform 和 target_transform 分别指定特征和标签的变换。

import torch
from torch.utils.data import Dataset
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()
)

迭代和可视化数据集

我们可以像操作列表一样手动索引 Datasets ：training_data[index]。我们使用 matplotlib 来可视化训练数据的一些样本。

labels_map = {
    0: "T-Shirt",
    1: "Trouser",
    2: "Pullover",
    3: "Dress",
    4: "Coat",
    5: "Sandal",
    6: "Shirt",
    7: "Sneaker",
    8: "Bag",
    9: "Ankle Boot",
}
figure = plt.figure(figsize=(8, 8))
cols, rows = 3, 3
for i in range(1, cols * rows + 1):
    sample_idx = torch.randint(len(training_data), size=(1,)).item()
    img, label = training_data[sample_idx]
    figure.add_subplot(rows, cols, i)
    plt.title(labels_map[label])
    plt.axis("off")
    plt.imshow(img.squeeze(), cmap="gray")
plt.show()

---

为您的文件创建一个自定义数据集

自定义数据集类必须实现三个函数：__init__、__len__ 和 __getitem__。以下是一个实现案例：FashionMNIST 的图像存储在一个名为 img_dir 的目录中，而它们的标签则另存于一个 CSV 文件 annotations_file 中。

在接下来的部分中，我们将逐步解析这些函数中发生了什么。

import os
import pandas as pd
from torchvision.io import decode_image

class CustomImageDataset(Dataset):
    def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
        self.img_labels = pd.read_csv(annotations_file)
        self.img_dir = img_dir
        self.transform = transform
        self.target_transform = target_transform

    def __len__(self):
        return len(self.img_labels)

    def __getitem__(self, idx):
        img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
        image = decode_image(img_path)
        label = self.img_labels.iloc[idx, 1]
        if self.transform:
            image = self.transform(image)
        if self.target_transform:
            label = self.target_transform(label)
        return image, label

__init__

__init__ 函数在实例化数据集对象时运行一次。我们初始化包含图像的目录、注释文件，以及两种变换（详见后续部分）。

labels.csv 文件内容如下：

tshirt1.jpg, 0
tshirt2.jpg, 0
......
ankleboot999.jpg, 9

def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
    self.img_labels = pd.read_csv(annotations_file)
    self.img_dir = img_dir
    self.transform = transform
    self.target_transform = target_transform

__len__

__len__ 函数返回数据集中样本的数量。

示例：

def __len__(self):
    return len(self.img_labels)

__getitem__

__getitem__ 函数加载并返回给定索引 idx 的数据集样本。根据索引定位磁盘上的图像位置，用 decode_image 将其转换为张量，从 self.img_labels 中的 CSV 数据中检索到相应的标签，对它们应用变换函数（如果适用），并以元组形式返回张量图像及其对应的标签。

def __getitem__(self, idx):
    img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
    image = read_image(img_path)
    label = self.img_labels.iloc[idx, 1]
    if self.transform:
        image = self.transform(image)
    if self.target_transform:
        label = self.target_transform(label)
    return image, label

---

使用 DataLoaders 准备训练数据

Dataset 一次检索我们数据集的一个特征和标签。在训练模型时，我们通常希望以”小批量”的形式传递样本，在每个训练周期中对数据进行重新洗牌以减少模型过拟合，并使用 Python 的 multiprocessing 加速数据检索。

DataLoader 以简单的 API 抽象了这些复杂性。

from torch.utils.data import DataLoader

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

遍历 DataLoader

我们已将该数据集加载到了 DataLoader 中，并可根据需要遍历该数据集。以下迭代中的每次返回包括 batch_size=64 的 train_features 和 train_labels``（分别包含特征和标签）。由于我们指定了 ``shuffle=True，在对所有批进行迭代后，数据会被重新洗牌（如需更精细地控制数据加载顺序，可以查看 采样器）。

# Display image and label.
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}")

Feature batch shape: torch.Size([64, 1, 28, 28])
Labels batch shape: torch.Size([64])
Label: 0

---

进一步阅读

• torch.utils.data API