之前用過sklearn提供的划分數據集的函數，覺得超級方便。但是在使用TensorFlow和Pytorch的時候一直找不到類似的功能，之前搜索的關鍵字都是“pytorch split dataset”之類的，但是搜出來還是沒有我想要的。結果今天見鬼了突然看見了這么一個函數torch.utils.data.Subset。我的天，為什么超級開心hhhh。終於不用每次都手動划分數據集了。
torch.utils.data
Pytorch提供的對數據集進行操作的函數詳見：https://pytorch.org/docs/master/data.html#torch.utils.data.SubsetRandomSampler
torch的這個文件包含了一些關於數據集處理的類：
- class torch.utils.data.Dataset: 一個抽象類， 所有其他類的數據集類都應該是它的子類。而且其子類必須重載兩個重要的函數：len(提供數據集的大小）、getitem(支持整數索引)。
- class torch.utils.data.TensorDataset: 封裝成tensor的數據集，每一個樣本都通過索引張量來獲得。
- class torch.utils.data.ConcatDataset: 連接不同的數據集以構成更大的新數據集。
- class torch.utils.data.Subset(dataset, indices): 獲取指定一個索引序列對應的子數據集。
- class torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=False, sampler=None, batch_sampler=None, num_workers=0, collate_fn=<function default_collate>, pin_memory=False, drop_last=False, timeout=0, worker_init_fn=None): 數據加載器。組合了一個數據集和采樣器，並提供關於數據的迭代器。
- torch.utils.data.random_split(dataset, lengths): 按照給定的長度將數據集划分成沒有重疊的新數據集組合。
- class torch.utils.data.Sampler(data_source):所有采樣的器的基類。每個采樣器子類都需要提供 iter 方-法以方便迭代器進行索引 和一個 len方法 以方便返回迭代器的長度。
- class torch.utils.data.SequentialSampler(data_source):順序采樣樣本，始終按照同一個順序。
- class torch.utils.data.RandomSampler(data_source):無放回地隨機采樣樣本元素。
- class torch.utils.data.SubsetRandomSampler(indices)：無放回地按照給定的索引列表采樣樣本元素。
- class torch.utils.data.WeightedRandomSampler(weights, num_samples, replacement=True): 按照給定的概率來采樣樣本。
- class torch.utils.data.BatchSampler(sampler, batch_size, drop_last): 在一個batch中封裝一個其他的采樣器。
- class torch.utils.data.distributed.DistributedSampler(dataset, num_replicas=None, rank=None):采樣器可以約束數據加載進數據集的子集。
示例
下面Pytorch提供的划分數據集的方法以示例的方式給出：
SubsetRandomSampler
...
dataset = MyCustomDataset(my_path)
batch_size = 16
validation_split = .2
shuffle_dataset = True
random_seed= 42
# Creating data indices for training and validation splits:
dataset_size = len(dataset)
indices = list(range(dataset_size))
split = int(np.floor(validation_split * dataset_size))
if shuffle_dataset :
np.random.seed(random_seed)
np.random.shuffle(indices)
train_indices, val_indices = indices[split:], indices[:split]
# Creating PT data samplers and loaders:
train_sampler = SubsetRandomSampler(train_indices)
valid_sampler = SubsetRandomSampler(val_indices)
train_loader = torch.utils.data.DataLoader(dataset, batch_size=batch_size,
sampler=train_sampler)
validation_loader = torch.utils.data.DataLoader(dataset, batch_size=batch_size,
sampler=valid_sampler)
# Usage Example:
num_epochs = 10
for epoch in range(num_epochs):
# Train:
for batch_index, (faces, labels) in enumerate(train_loader):
# ...
random_split
...
train_size = int(0.8 * len(full_dataset))
test_size = len(full_dataset) - train_size
train_dataset, test_dataset = torch.utils.data.random_split(full_dataset, [train_size, test_size])
參考：
- How do I split a custom dataset into training and test datasets?
- PyTorch系列 (二): pytorch數據讀取
- pytorch: 自定義數據集加載