一、单进程读取数据
Dataset
在数据量很大，无法将全部数据加载到内存的情况下，可以在init中读出表数据行数，在__len__设置为长度返回，在__getitem__中根据idx读表，idx就可以表示读取的表的行数，一般在读表的时候写作 path/table_name?start={}&end={}
import torch
import numpy as np
from torch.utils.data import IterableDataset, Dataset'''
需要先一次性把data都从文件或者表中读出来，知道数据的长度，为了生成index列表，长度为数据的长度
分batch训练的时候，dataloader根据分好的一个batch中的idx来读取这个batch中的数据
'''a = [{'anchor_text': np.array([1, 1, 1]), 'anchor_vis': np.array([1, 1, 1])},{'anchor_text': np.array([2, 2, 1]), 'anchor_vis': np.array([4, 1, 1])},{'anchor_text': np.array([3, 3, 1]), 'anchor_vis': np.array([2, 1, 1])},{'anchor_text': np.array([4, 4, 1]), 'anchor_vis': np.array([3, 1, 1])}]class TableDataset(Dataset):def __init__(self):self.tablepath = ''self.data_length = len(a)def __len__(self):return self.data_lengthdef __getitem__(self, idx):return a[idx]train_dataset = TableDataset()
train_ld = torch.utils.data.DataLoader(train_dataset, batch_size=2, shuffle=False)for idx, batch_data in enumerate(train_ld):print(batch_data)at = batch_data['anchor_text'].to(torch.float32)# print("at--------",at)
IterableDataset
在数据量很大，无法将全部数据加载到内存的情况下，可以在__iter__中一行一行的读表，读一行就立马返回一行。
import torch
import numpy as np
from torch.utils.data import IterableDataset, Dataset
'''
不需要一次性知道数据长度
分batch训练的时候，dataloader根据一个batch的大小bs来执行__iter__函数bs次，得到这个batch的数据
'''a = [{'anchor_text': np.array([1, 1, 1]), 'anchor_vis': np.array([1, 1, 1])},{'anchor_text': np.array([2, 2, 1]), 'anchor_vis': np.array([4, 1, 1])},{'anchor_text': np.array([3, 3, 1]), 'anchor_vis': np.array([2, 1, 1])},{'anchor_text': np.array([4, 4, 1]), 'anchor_vis': np.array([3, 1, 1])}]class TableDataset2(IterableDataset):def __init__(self):self.tablepath = ''def __iter__(self):for line in a:print("line:",line)yield linetrain_dataset = TableDataset2()
train_ld = torch.utils.data.DataLoader(train_dataset, batch_size=2, shuffle=False)for idx, batch_data in enumerate(train_ld):print(batch_data)at = batch_data['anchor_text'].to(torch.float32)# print("at--------",at)
上述提到的处理数据量大的方法，都需要提前将数据处理好存入表中，程序读取数据就可以直接跑模型了。
二、多进程读取数据
后续有时间再补上
IterableDataset
当DataLoader设置为多进程时，每个进程都会拥有一个IterableDataset的生成器函数__iter__，每当这个进程收集到的数据达到batch size的时候，就把这批收集到的数据给loader，也就在for batch_data in train_loader: 的时候就能得到这批数据。
)
