Pytorch數據讀取與預處理實現與探索

　　在煉丹時，數據的讀取與預處理是關鍵一步。不同的模型所需要的數據以及預處理方式各不相同，如果每個輪子都我們自己寫的話，是很浪費時間和精力的。Pytorch幫我們實現了方便的數據讀取與預處理方法，下面記錄兩個DEMO，便於加快以后的代碼效率。

　　根據數據是否一次性讀取完，將DEMO分為：

　　1、串行式讀取。也就是一次性讀取完所有需要的數據到內存，模型訓練時不會再訪問外存。通常用在內存足夠的情況下使用，速度更快。

　　2、並行式讀取。也就是邊訓練邊讀取數據。通常用在內存不夠的情況下使用，會占用計算資源，如果分配的好的話，幾乎不損失速度。

　　Pytorch官方的數據提取方式盡管方便編碼，但由於它提取數據方式比較死板，會浪費資源，下面對其進行分析。

串行式讀取

DEMO代碼

import torch 
from torch.utils.data import Dataset,DataLoader 
   
class MyDataSet(Dataset):# ————1————
  def __init__(self):    
    self.data = torch.tensor(range(10)).reshape([5,2])
    self.label = torch.tensor(range(5))

  def __getitem__(self, index):   
    return self.data[index], self.label[index]

  def __len__(self):    
    return len(self.data)
  
my_data_set = MyDataSet()# ————2————
my_data_loader = DataLoader(
  dataset=my_data_set,   # ————3————
  batch_size=2,          # ————4————
  shuffle=True,          # ————5————
  sampler=None,          # ————6————
  batch_sampler=None,    # ————7———— 
  num_workers=0 ,        # ————8———— 
  collate_fn=None,       # ————9———— 
  pin_memory=True,       # ————10———— 
  drop_last=True         # ————11————
)

for i in my_data_loader: # ————12————
  print(i)

　　注釋處解釋如下：

　　1、重寫數據集類，用於保存數據。除了 __init__() 外，必須實現 __getitem__() 和 __len__() 兩個方法。前一個方法用於輸出索引對應的數據。后一個方法用於獲取數據集的長度。

　　2~5、 2准備好數據集后，傳入DataLoader來迭代生成數據。前三個參數分別是傳入的數據集對象、每次獲取的批量大小、是否打亂數據集輸出。

　　6、采樣器，如果定義這個，shuffle只能設置為False。所謂采樣器就是用於生成數據索引的可迭代對象，比如列表。因此，定義了采樣器，采樣都按它來，shuffle再打亂就沒意義了。

　　7、批量采樣器，如果定義這個，batch_size、shuffle、sampler、drop_last都不能定義。實際上，如果沒有特殊的數據生成順序的要求，采樣器並沒有必要定義。torch.utils.data 中的各種 Sampler 就是采樣器類，如果需要，可以使用它們來定義。

　　8、用於生成數據的子進程數。默認為0，不並行。

　　9、拼接多個樣本的方法，默認是將每個batch的數據在第一維上進行拼接。這樣可能說不清楚，並且由於這里可以探究一下獲取數據的速度，后面再詳細說明。

　　10、是否使用鎖頁內存。用的話會更快，內存不充足最好別用。

　　11、是否把最后小於batch的數據丟掉。

　　12、迭代獲取數據並輸出。

速度探索

　　首先看一下DEMO的輸出：

　　輸出了兩個batch的數據，每組數據中data和label都正確排列，符合我們的預期。那么DataLoader是怎么把數據整合起來的呢？首先，我們把collate_fn定義為直接映射（不用它默認的方法），來查看看每次DataLoader從MyDataSet中讀取了什么，將上面部分代碼修改如下：

my_data_loader = DataLoader(
  dataset=my_data_set,    
  batch_size=2,           
  shuffle=True,           
  sampler=None,         
  batch_sampler=None,    
  num_workers=0 ,        
  collate_fn=lambda x:x,  #修改處
  pin_memory=True,       
  drop_last=True         
)

　　結果如下：

　　輸出還是兩個batch，然而每個batch中，單個的data和label是在一個list中的。似乎可以看出，DataLoader是一個一個讀取MyDataSet中的數據的，然后再進行相應數據的拼接。為了驗證這點，代碼修改如下：

import torch 
from torch.utils.data import Dataset,DataLoader 
   
class MyDataSet(Dataset): 
  def __init__(self):    
    self.data = torch.tensor(range(10)).reshape([5,2])
    self.label = torch.tensor(range(5))

  def __getitem__(self, index):   
    print(index)          #修改處2
    return self.data[index], self.label[index]

  def __len__(self):    
    return len(self.data)
  
my_data_set = MyDataSet() 
my_data_loader = DataLoader(
  dataset=my_data_set,    
  batch_size=2,           
  shuffle=True,           
  sampler=None,         
  batch_sampler=None,    
  num_workers=0 ,        
  collate_fn=lambda x:x,  #修改處1
  pin_memory=True,       
  drop_last=True         
)

for i in my_data_loader:  
  print(i) 

　　輸出如下：

　　驗證了前面的猜想，的確是一個一個讀取的。如果數據集定義的不是格式化的數據，那還好，但是我這里定義的是tensor，是可以直接通過列表來索引對應的tensor的。因此，DataLoader的操作比直接索引多了拼接這一步，肯定是會慢很多的。一兩次的讀取還好，但在訓練中，大量的讀取累加起來，就會浪費很多時間了。

　　自定義一個DataLoader可以證明這一點，代碼如下：

import torch 
from torch.utils.data import Dataset,DataLoader 
from time  import time
   
class MyDataSet(Dataset): 
  def __init__(self):    
    self.data = torch.tensor(range(100000)).reshape([50000,2])
    self.label = torch.tensor(range(50000))

  def __getitem__(self, index):    
    return self.data[index], self.label[index]

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

# 自定義DataLoader
class MyDataLoader():
  def __init__(self, dataset,batch_size):
    self.dataset = dataset
    self.batch_size = batch_size
  def __iter__(self):
    self.now = 0
    self.shuffle_i = np.array(range(self.dataset.__len__())) 
    np.random.shuffle(self.shuffle_i)
    return self
 
  def __next__(self): 
    self.now += self.batch_size
    if self.now <= len(self.shuffle_i):
      indexes = self.shuffle_i[self.now-self.batch_size:self.now]
      return self.dataset.__getitem__(indexes)
    else:
      raise StopIteration

# 使用官方DataLoader
my_data_set = MyDataSet() 
my_data_loader = DataLoader(
  dataset=my_data_set,    
  batch_size=256,           
  shuffle=True,           
  sampler=None,         
  batch_sampler=None,    
  num_workers=0 ,        
  collate_fn=None,  
  pin_memory=True,       
  drop_last=True         
)

start_t = time()
for t in range(10):
  for i in my_data_loader:  
    pass
print("官方：", time() - start_t)
 
 
#自定義DataLoader
my_data_set = MyDataSet() 
my_data_loader = MyDataLoader(my_data_set,256)

start_t = time()
for t in range(10):
  for i in my_data_loader:  
    pass
print("自定義：", time() - start_t)

　　運行結果如下：

　　以上使用batch大小為256，僅各讀取10 epoch的數據，都有30多倍的時間上的差距，更大的batch差距會更明顯。另外，這里用於測試的每個數據只有兩個浮點數，如果是圖像，所需的時間可能會增加幾百倍。因此，如果數據量和batch都比較大，並且數據是格式化的，最好自己寫數據生成器。

並行式讀取

DEMO代碼

import matplotlib.pyplot as plt
from torch.utils.data import DataLoader 
from torchvision import transforms 
from torchvision.datasets import ImageFolder  
  
path = r'E:\DataSets\ImageNet\ILSVRC2012_img_train\10-19\128x128'
my_data_set = ImageFolder(            #————1————
  root = path,                        #————2————
  transform = transforms.Compose([    #————3————
    transforms.ToTensor(),
    transforms.CenterCrop(64)
  ]),
  loader = plt.imread                 #————4————
)
my_data_loader = DataLoader(
  dataset=my_data_set,      
  batch_size=128,             
  shuffle=True,             
  sampler=None,             
  batch_sampler=None,        
  num_workers=0,            
  collate_fn=None,           
  pin_memory=True,           
  drop_last=True 
)           

for i in my_data_loader: 
  print(i)

　　注釋處解釋如下：

　　1/2、ImageFolder類繼承自DataSet類，因此可以按索引讀取圖像。路徑必須包含文件夾，ImageFolder會給每個文件夾中的圖像添加索引，並且每張圖像會給予其所在文件夾的標簽。舉個例子，代碼中my_data_set[0] 輸出的是圖像對象和它對應的標簽組成的列表。

　　3、圖像到格式化數據的轉換組合。更多的轉換方法可以看 transform 模塊。

　　4、圖像法的讀取方式，默認是PIL.Image.open()，但我發現plt.imread()更快一些。

　　由於是邊訓練邊讀取，transform會占用很多時間，因此可以先將圖像轉換為需要的形式存入外存再讀取，從而避免重復操作。

　　其中transform.ToTensor()會把正常讀取的圖像轉換為torch.tensor，並且像素值會映射至$[0,1]$。由於plt.imread()讀取png圖像時，像素值在$[0,1]$，而讀取jpg圖像時，像素值卻在$[0,255]$，因此使用transform.ToTensor()能將圖像像素區間統一化。