整体架构
平时使用 pytorch 加载数据时大概是这样的：
import numpy as np
from torch.utils.data import Dataset, DataLoaderclass ExampleDataset(Dataset):def __init__(self):self.data = [1, 2, 3, 4, 5]def __getitem__(self, idx):return self.data[idx]def __len__(self):return len(self.data)def collate_fn(batch):return np.array(batch)dataset = ExampleDataset() # create the dataset
dataloader = DataLoader(dataset=dataset,batch_size=2,shuffle=True,num_workers=4,collate_fn=collate_fn
)
for datapoint in dataloader:print(datapoint)
- 继承
Dataset类，定义一个迭代器，包含两个魔法方法：__getitem__(self, idx)和__len__(self)，分别实现如何获取一条数据和如何设定数据长度； - 定义
collate_fn函数，设定如何组织一个 batch； - 实例化
Dataset，并和collate_fn一起传入DataLoader，参数batch_size设置批大小、shuffle设置是否打乱、num_workers设置并行加载数据的进程数。
然而，背后到底干了什么，我们不清楚，甚至遇到 DataLoader 的如 sampler、batch_sampler、worker_init_fn 的其他参数，就会懵逼。那就看一看官方文档，了解一下 torch.utils.data 是如何工作的。
上图是数据加载的整体框架图，官网说 DataLoader 组合了 dataset 和 sampler，多个 workers 根据 dataset 提供的数据副本和sampler 提供的 keys 并行地加载数据，并通过 collate_fn 组成 batch 供用户迭代。需要注意的有：
- 每个
worker持有数据的一个副本，故占用内存 “主线程内存 * num_workers”； - 即使用户不提供
sampler对象 (通常不提供)，DataLoader也会根据shuffle参数创建一个默认的sampler对象；一旦提供了，其前路的shuffle参数不能为True(不提供就好)； - 即使用户不提供
batch_sampler对象 (通常不提供)，DataLoader也会根据batch_sampler, drop_last参数创建一个默认的batch_sampler对象；一旦提供了，其前路的shuffle, drop_last不能为True，batch_size必须为 1 1 1，sampler必须为 None，因为创建BatchSampler时已经有了这些参数；
本质上是把创建batch_sampler的活拉出来由用户在DataLoader外自定义地做了。
Dataset
分为两种：map-style 和 iterable-style。前者的数据可通过 [idx or key] 访问，后者的数据只能通过迭代器 next 一个个访问。所以上面架构中的采样器是对于 map-style 数据集说的；iterable-style 的数据集的访问顺序由迭代器决定。
Sampler
torch.utils.data.Sampler 的子类或 Iterable，两个例子：
class AccedingSequenceLengthSampler(tu_data.Sampler[int]):def __init__(self, data: List[str]) -> None:super().__init__()self.data = datadef __len__(self) -> int:return len(self.data)def __iter__(self) -> Iterator[int]:""":return: 实现了按数据长短顺序访问数据集"""sizes = torch.tensor([len(x) for x in self.data])yield from torch.argsort(sizes).tolist()class AccedingSequenceLengthBatchSampler(tu_data.Sampler[List[int]]):def __init__(self, data: List[str], batch_size: int) -> None:super().__init__()self.data = dataself.batch_size = batch_sizedef __len__(self) -> int:return (len(self.data) + self.batch_size - 1) // self.batch_sizedef __iter__(self) -> Iterator[List[int]]:sizes = torch.tensor([len(x) for x in self.data])for batch in torch.chunk(torch.argsort(sizes), len(self)): # 按块遍历yield batch.tolist()
Batch
batch_sampler 提供一批下标，取得一批数据后由 collate_fn 将这批数据整合：
if collate_fn is None:if self._auto_collation:collate_fn = _utils.collate.default_collateelse: # self.batch_sampler is None: (batch_size is None) and (batch_sampler is None)collate_fn = _utils.collate.default_convert
分两种情况：
- automatic batching is disabled：调用
default_convert函数简单地将 NumPy arrays 转化为 PyTorch Tensor； - automatic batching is enabled：调用
default_collate函数，转化会变得复杂一点：
from torch.utils import data as tu_data
import collections# %% Example with a batch of `int`s:
tu_data.default_collate([0, 1, 2, 3])
# tensor([0, 1, 2, 3])# %% Example with a batch of `str`s:
tu_data.default_collate(['a', 'b', 'c'])
# ['a', 'b', 'c']# %% Example with `Map` inside the batch:
tu_data.default_collate([{'A': 0, 'B': 1},{'A': 100, 'B': 100}
])
# {'A': tensor([0, 100]), 'B': tensor([1, 100])}, 同 key 的合并了# %% Example with `NamedTuple` inside the batch:
Point = collections.namedtuple('Point', ['x', 'y'])
tu_data.default_collate([Point(0, 0), Point(1, 1)])
# Point(x=tensor([0, 1]), y=tensor([0, 1])), 同 name 的合并了, 大概和 dict 一样吧# %% Example with `Tuple` inside the batch:
tu_data.default_collate([(0, 1), (2, 3)])
# [tensor([0, 2]), tensor([1, 3])], 对 list 内部执行 collate# %% Example with `List` inside the batch:
tu_data.default_collate([[0, 1], [2, 3]]) # [tensor([0, 2]), tensor([1, 3])], 对 list 内部执行 collate, 并没有变成二维 tensor
Multi-process Data Loading
dataset, collate_fn, and worker_init_fn are passed to each worker，大概能说明 batch 是在子进程内部合成的。
有一个需要注意的地方是内存增长问题，当 __get_item__(self, key) 访问数据时，由于 Python 对象的 refcount 机制，数据会不断地复制，从而内存爆炸。但这里说解决 number of workers * size of parent process 问题，就不追究了，反正尽量用 numpy 或 pytorch tensor 吧。
iterable-style datasets 的随机性
