【PyTorch】数据集

1. 创建数据集

主要是将数据集读入内存，并用Dataset类封装。

1.1. 直接继承Dataset类

必须要重写__getitem__方法，用于根据索引获得相应样本数据。必要时还可以重写__len__方法，用于返回数据集的大小。

from torch.utils.data import Dataset

class BostonHousingDataset(Dataset):
    """定义波士顿房价数据集"""
    def __init__(self):
        self.data = np.load('../dataset/boston_housing/boston_housing.npz')

    def __getitem__(self, index):
        return self.data['x'][index], self.data['y'][index]

    def __len__(self):
        return self.data['x'].shape[0]

1.2. 使用TensorDataset类

将多个张量组合成一个数据集，要保证所有张量的第一个维度相等，保证每批样本数据格式相同。

import torch
from torch.utils.data import TensorDataset

data = np.load('../dataset/boston_housing/boston_housing.npz')
X = torch.tensor(data['x'])
y = torch.tensor(data['y'])
dataset = TensorDataset(X, y)

2. 数据集的划分

数据集可以划分为训练集、验证集和测试集。

• 训练集：用于模型拟合的数据样本集合。
• 验证集：通常被用来调整模型的参数，以找出效果最佳的模型。
• 测试集：用于训练好的模型性能评估的数据样本集合。

from torch.utils.data import random_split

train_size = int(0.8 * len(dataset))
test_size = len(dataset) - train_size
train_dataset, test_dataset = random_split(dataset, [train_size, test_size])

3. 加载数据集

使用DataLoader类将Dataset封装的数据集分成批次并进行迭代，以便于模型训练。DataLoader常用参数如下：

• dataset
  要加载的数据集。
• batch_size
  每个数据批次中包含的样本数。默认为1。
• shuffle
  是否打乱数据集。默认为False。
• num_workers
  使用几个进程来加载数据。默认为0，即在主进程中加载数据。
• drop_last
  当数据集样本数不能被batch_size整除时，是否舍弃最后一个不完整的batch。默认为False。

from torch.utils.data import DataLoader

dataloader = DataLoader(dataset, batch_size=16, shuffle=True)

4. 将数据转移到GPU

一般在要运算时才将数据转移到GPU，有以下两种方法：

1. var.to(device)
2. var.cuda()

import torch

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
for X,y in dataloader:
    # 将数据转移到GPU
    X = X.to(device)
    y = y.to(device)
    # 也可以
    X = X.cuda()
    y = y.cuda()