一、前言

  本文将介绍PyTorch中数据集（Dataset）与数据加载器（DataLoader），并实现自定义鸢尾花数据类

二、实验环境

  本系列实验使用如下环境

conda create -n DL python==3.11

conda activate DL

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

三、PyTorch数据结构

1、Tensor（张量）

  Tensor（张量）是PyTorch中用于表示多维数据的主要数据结构，类似于多维数组，可以存储和操作数字数据。

1. 维度（Dimensions）

  Tensor（张量）的维度（Dimensions）是指张量的轴数或阶数。在PyTorch中，可以使用size()方法获取张量的维度信息，使用dim()方法获取张量的轴数。

2. 数据类型（Data Types）

  PyTorch中的张量可以具有不同的数据类型：

• torch.float32或torch.float：32位浮点数张量。
• torch.float64或torch.double：64位浮点数张量。
• torch.float16或torch.half：16位浮点数张量。
• torch.int8：8位整数张量。
• torch.int16或torch.short：16位整数张量。
• torch.int32或torch.int：32位整数张量。
• torch.int64或torch.long：64位整数张量。
• torch.bool：布尔张量，存储True或False。

【深度学习】Pytorch 系列教程（一）：PyTorch数据结构：1、Tensor（张量）及其维度（Dimensions）、数据类型（Data Types）

3. GPU加速（GPU Acceleration）

【深度学习】Pytorch 系列教程（二）：PyTorch数据结构：1、Tensor（张量）： GPU加速（GPU Acceleration）

2、张量的数学运算

  PyTorch提供了丰富的操作函数，用于对Tensor进行各种操作，如数学运算、统计计算、张量变形、索引和切片等。这些操作函数能够高效地利用GPU进行并行计算，加速模型训练过程。

1. 向量运算

【深度学习】Pytorch 系列教程（三）：PyTorch数据结构：2、张量的数学运算（1）：向量运算（加减乘除、数乘、内积、外积、范数、广播机制）

2. 矩阵运算

【深度学习】Pytorch 系列教程（四）：PyTorch数据结构：2、张量的数学运算（2）：矩阵运算及其数学原理（基础运算、转置、行列式、迹、伴随矩阵、逆、特征值和特征向量）

3. 向量范数、矩阵范数、与谱半径详解

【深度学习】Pytorch 系列教程（五）：PyTorch数据结构：2、张量的数学运算（3）：向量范数（0、1、2、p、无穷）、矩阵范数（弗罗贝尼乌斯、列和、行和、谱范数、核范数）与谱半径详解

4. 一维卷积运算

【深度学习】Pytorch 系列教程（六）：PyTorch数据结构：2、张量的数学运算（4）：一维卷积及其数学原理（步长stride、零填充pad；宽卷积、窄卷积、等宽卷积；卷积运算与互相关运算）

5. 二维卷积运算

【深度学习】Pytorch 系列教程（七）：PyTorch数据结构：2、张量的数学运算（5）：二维卷积及其数学原理

6. 高维张量

【深度学习】pytorch教程（八）：PyTorch数据结构：2、张量的数学运算（6）：高维张量：乘法、卷积（conv2d~ 四维张量；conv3d~五维张量）

3、张量的统计计算

【深度学习】Pytorch教程（九）：PyTorch数据结构：3、张量的统计计算详解

4、张量操作

1. 张量变形

【深度学习】Pytorch教程（十）：PyTorch数据结构：4、张量操作（1）：张量变形操作

2. 索引

3. 切片

【深度学习】Pytorch 教程（十一）：PyTorch数据结构：4、张量操作（2）：索引和切片操作

4. 张量修改

【深度学习】Pytorch 教程（十二）：PyTorch数据结构：4、张量操作（3）：张量修改操作（拆分、拓展、修改）

5、张量的梯度计算

【深度学习】Pytorch教程（十三）：PyTorch数据结构：5、张量的梯度计算：变量（Variable）、自动微分、计算图及其可视化

6、数据集（Dataset）与数据加载器（DataLoader）

  数据集（Dataset）是指存储和表示数据的类或接口。它通常用于封装数据，以便能够在机器学习任务中使用。数据集可以是任何形式的数据，比如图像、文本、音频等。数据集的主要目的是提供对数据的标准访问方法，以便可以轻松地将其用于模型训练、验证和测试。
  数据加载器（DataLoader）是一个提供批量加载数据的工具。它通过将数据集分割成小批量，并按照一定的顺序加载到内存中，以提高训练效率。数据加载器常用于训练过程中的数据预处理、批量化操作和数据并行处理等。

以下是一个具体案例，介绍如何使用PyTorch中的数据集和数据加载器：

import torch
from torch.utils.data import Dataset, DataLoader# 定义自定义数据集类
class MyDataset(Dataset):def __init__(self, data):self.data = datadef __len__(self):return len(self.data)def __getitem__(self, index):return self.data[index]# 创建数据集实例
data = [1, 2, 3, 4, 5]
dataset = MyDataset(data)# 创建数据加载器实例
dataloader = DataLoader(dataset, batch_size=2, shuffle=True)# 遍历数据加载器
for batch in dataloader:print(batch)

在上面的案例中，首先定义了一个自定义数据集类MyDataset，包含了__len__和__getitem__两个方法。__len__方法返回数据集的长度，__getitem__方法根据给定的索引返回数据集中的样本。

然后，创建了一个数据集实例dataset，传入了一组示例数据。再创建数据加载器实例dataloader，设置了批量大小为2，并开启了数据的随机打乱。

最后，在遍历数据加载器的过程中，每次打印出的batch是一个批量大小为2的数据。在实际应用中，可以根据具体的需求对每个批次进行进一步的处理和训练。

1. 数据集（Dataset）

  PyTorch中，Dataset（数据集）是用于存储和管理训练、验证或测试数据的抽象类。它是一个可迭代的对象，可以通过索引或迭代方式访问数据样本。
  PyTorch提供了torch.utils.data.Dataset类，可以通过继承该类来创建自定义的数据集。自定义数据集时需要实现下面两个主要的方法：

• __len__()方法：返回数据集中样本的数量。
• __getitem__(index)方法：根据给定的索引index，返回对应位置的数据样本。

import torch
from torch.utils.data import Datasetclass CustomDataset(Dataset):def __init__(self, data):self.data = datadef __len__(self):return len(self.data)def __getitem__(self, index):sample = self.data[index]# 可以继续添加对数据样本进行预处理或转换操作# 返回经过处理的数据样本return sample# 自定义数据
data = [1, 2, 3, 4, 5]
dataset = CustomDataset(data)# 访问数据集中的样本
sample = dataset[0]
print(sample)  # 输出: 1

  使用自定义数据集时，可以将其与 torch.utils.data.DataLoader结合使用，以便更方便地进行数据的批量加载和处理。

2. 数据加载器（DataLoader）

  DataLoader（数据加载器）是用于批量加载和处理数据的实用工具。它提供了对数据集的迭代器，并支持按照指定的批量大小、随机洗牌等方式加载数据。

• 批量加载数据：DataLoader可以从数据集中按照指定的批量大小加载数据。每个批次的数据可以作为一个张量或列表返回，便于进行后续的处理和训练。
• 数据随机洗牌：通过设置shuffle=True，DataLoader可以在每个迭代周期中对数据进行随机洗牌，以减少模型对数据顺序的依赖性，提高训练效果。
• 多线程数据加载：DataLoader支持使用多个线程来并行加载数据，加快数据加载的速度，提高训练效率。
• 数据批次采样：除了按照批量大小加载数据外，DataLoader还支持自定义的数据批次采样方式。可以通过设置batch_sampler参数来指定自定义的批次采样器，例如按照指定的样本顺序或权重进行采样。

import torch
from torch.utils.data import Dataset, DataLoader# 自定义数据集类
class MyDataset(Dataset):def __init__(self, data):self.data = datadef __len__(self):return len(self.data)def __getitem__(self, index):return self.data[index]# 自定义数据加载器类
class MyDataLoader(DataLoader):def __init__(self, dataset, batch_size=1, shuffle=False, num_workers=0):super().__init__(dataset, batch_size, shuffle, num_workers=num_workers)def collate_fn(self, batch):# 自定义的数据预处理、合并等操作# 这里只是简单地将样本转换为Tensor，并进行堆叠return torch.stack(batch)# 自定义数据集类
data = [1, 2, 3, 4, 5]
dataset = MyDataset(data)# 创建数据加载器实例
dataloader = MyDataLoader(dataset, batch_size=2, shuffle=True)# 遍历数据加载器
for batch in dataloader:# batch是一个包含多个样本的张量（或列表）# 这里可以对批次数据进行处理print(batch)

  在创建DataLoader时，指定了批量大小batch_size和是否随机洗牌shuffle。
通过DataLoader加载数据集后，使用for循环迭代加载数据批次。每个批次的数据将作为一个张量或列表返回，可以根据需要在循环中对批次数据进行处理。

3. 实战——鸢尾花数据集

import torch
from sklearn.datasets import load_iris
from torch.utils.data import Dataset, DataLoader# 此函数用于加载鸢尾花数据集
def load_data(shuffle=True):x = torch.tensor(load_iris().data)y = torch.tensor(load_iris().target)# 数据归一化x_min = torch.min(x, dim=0).valuesx_max = torch.max(x, dim=0).valuesx = (x - x_min) / (x_max - x_min)if shuffle:idx = torch.randperm(x.shape[0])x = x[idx]y = y[idx]return x, y# 自定义鸢尾花数据类
class IrisDataset(Dataset):def __init__(self, mode='train', num_train=120, num_dev=15):super(IrisDataset, self).__init__()x, y = load_data(shuffle=True)if mode == 'train':self.x, self.y = x[:num_train], y[:num_train]elif mode == 'dev':self.x, self.y = x[num_train:num_train + num_dev], y[num_train:num_train + num_dev]else:self.x, self.y = x[num_train + num_dev:], y[num_train + num_dev:]def __getitem__(self, idx):return self.x[idx], self.y[idx]def __len__(self):return len(self.x)batch_size = 16# 分别构建训练集、验证集和测试集
train_dataset = IrisDataset(mode='train')
dev_dataset = IrisDataset(mode='dev')
test_dataset = IrisDataset(mode='test')train_loader = DataLoader(train_dataset, batch_size=batch_size,shuffle=True)
dev_loader = DataLoader(dev_dataset, batch_size=batch_size)
test_loader = DataLoader(test_dataset, batch_size=1, shuffle=True)