数据集与数据加载器（Datasets & DataLoaders）

处理数据样本的代码可能会变得杂乱且难以维护；我们理想地希望数据集代码与模型训练代码解耦，以获得更好的可读性和模块化。PyTorch 提供了两个数据原语：torch.utils.data.DataLoader 和 torch.utils.data.Dataset，允许你使用预加载的数据集以及你自己的数据。Dataset 存储样本及其对应的标签，DataLoader 在 Dataset 外包装了一个可迭代对象，以便轻松访问样本。

PyTorch 领域库提供了许多预加载的数据集（如 FashionMNIST），它们是 torch.utils.data.Dataset 的子类，并实现了特定于该数据的函数。它们可用于原型设计和基准测试你的模型。

---

加载数据集（Loading a Dataset）

以下是如何从 TorchVision 加载 Fashion-MNIST 数据集的示例。Fashion-MNIST 是 Zalando 的文章图像数据集，由 60,000 个训练样本和 10,000 个测试样本组成。每个样本包含一个 28×28 的灰度图像和一个来自 10 个类别之一的关联标签。

我们使用以下参数加载 FashionMNIST 数据集：

• root 是训练/测试数据存储的路径
• train 指定训练或测试数据集
• download=True 如果数据在 root 下不可用，则从互联网下载
• transform 和 target_transform 指定特征和标签的变换

import torch                                          # 导入 PyTorch 核心库
from torch.utils.data import Dataset                  # 导入数据集基类
from torchvision import datasets                      # 导入视觉数据集模块
from torchvision.transforms import v2                 # 导入数据变换模块 v2 版本
import matplotlib.pyplot as plt                       # 导入绘图库


training_data = datasets.FashionMNIST(                # 创建 FashionMNIST 训练数据集
    root="data",                                      # 数据存储路径
    train=True,                                       # 指定为训练集
    download=True,                                    # 如果数据不存在则下载
    transform=v2.Compose([                            # 对图像进行变换组合
        v2.ToImage(),                                 # 将数据转为 Image 张量格式
        v2.ToDtype(torch.float32, scale=True)         # 转为 float32 类型并缩放到 [0,1]
    ])
)

test_data = datasets.FashionMNIST(                    # 创建 FashionMNIST 测试数据集
    root="data",                                      # 数据存储路径
    train=False,                                      # 指定为测试集
    download=True,                                    # 如果数据不存在则下载
    transform=v2.Compose([                            # 对图像进行变换组合
        v2.ToImage(),                                 # 将数据转为 Image 张量格式
        v2.ToDtype(torch.float32, scale=True)         # 转为 float32 类型并缩放到 [0,1]
    ])
)

---

迭代和可视化数据集（Iterating and Visualizing the Dataset）

我们可以像列表一样手动索引 Datasets：training_data[index]。我们使用 matplotlib 来可视化训练数据中的一些样本。

labels_map = {                                        # 定义标签映射字典
    0: "T-Shirt",                                     # 0 对应 T恤
    1: "Trouser",                                     # 1 对应 裤子
    2: "Pullover",                                    # 2 对应 套衫
    3: "Dress",                                       # 3 对应 连衣裙
    4: "Coat",                                        # 4 对应 外套
    5: "Sandal",                                      # 5 对应 凉鞋
    6: "Shirt",                                       # 6 对应 衬衫
    7: "Sneaker",                                     # 7 对应 运动鞋
    8: "Bag",                                         # 8 对应 包
    9: "Ankle Boot",                                  # 9 对应 踝靴
}
figure = plt.figure(figsize=(8, 8))                   # 创建 8x8 英寸的图形
cols, rows = 3, 3                                     # 设置 3行3列的子图布局
for i in range(1, cols * rows + 1):                   # 遍历 9 个子图位置
    sample_idx = torch.randint(len(training_data), size=(1,)).item()  # 随机选择一个样本索引
    img, label = training_data[sample_idx]            # 获取图像和标签
    figure.add_subplot(rows, cols, i)                 # 添加子图
    plt.title(labels_map[label])                      # 设置子图标题为类别名称
    plt.axis("off")                                   # 关闭坐标轴
    plt.imshow(img.squeeze(), cmap="gray")            # 显示灰度图像
plt.show()                                            # 显示图形

---

为你的文件创建自定义数据集（Creating a Custom Dataset for your files）

自定义 Dataset 类必须实现三个函数：__init__、__len__ 和 __getitem__。看看这个实现；FashionMNIST 图像存储在 img_dir 目录中，其标签单独存储在 CSV 文件 annotations_file 中。

在接下来的部分中，我们将分解每个函数中发生的事情。

import os                                             # 导入操作系统模块
import pandas as pd                                   # 导入 Pandas 库
from torchvision.io import decode_image               # 导入图像解码函数

class CustomImageDataset(Dataset):                    # 定义自定义图像数据集类，继承 Dataset
    def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):  # 初始化方法
        self.img_labels = pd.read_csv(annotations_file)  # 读取标签 CSV 文件
        self.img_dir = img_dir                        # 存储图像目录路径
        self.transform = transform                    # 存储特征变换函数
        self.target_transform = target_transform      # 存储标签变换函数

    def __len__(self):                                # 返回数据集大小的方法
        return len(self.img_labels)                   # 返回标签数据的行数

    def __getitem__(self, idx):                       # 根据索引获取样本的方法
        img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])  # 拼接图像文件路径
        image = decode_image(img_path)                # 解码图像文件为张量
        label = self.img_labels.iloc[idx, 1]          # 获取对应标签
        if self.transform:                            # 如果定义了特征变换
            image = self.transform(image)             # 对图像应用变换
        if self.target_transform:                     # 如果定义了标签变换
            label = self.target_transform(label)      # 对标签应用变换
        return image, label                           # 返回图像和标签的元组

__init__

__init__ 函数在实例化 Dataset 对象时运行一次。我们初始化包含图像的目录、注释文件和两个变换。

labels.csv 文件看起来像这样：

tshirt1.jpg, 0
tshirt2.jpg, 0
......
ankleboot999.jpg, 9

def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):  # 初始化方法
    self.img_labels = pd.read_csv(annotations_file)   # 读取标签 CSV 文件
    self.img_dir = img_dir                            # 存储图像目录路径
    self.transform = transform                        # 存储特征变换函数
    self.target_transform = target_transform          # 存储标签变换函数

__len__

__len__ 函数返回数据集中样本的数量。

def __len__(self):                                    # 返回数据集大小的方法
    return len(self.img_labels)                       # 返回标签数据的行数

__getitem__

__getitem__ 函数从数据集中给定索引 idx 处加载并返回一个样本。根据索引，它识别图像在磁盘上的位置，使用 decode_image 将其转换为张量，从 self.img_labels 中的 csv 数据检索相应的标签，对它们调用变换函数（如果适用），并在元组中返回张量图像和相应的标签。

def __getitem__(self, idx):                           # 根据索引获取样本的方法
    img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])  # 拼接图像文件路径
    image = decode_image(img_path)                    # 解码图像文件为张量
    label = self.img_labels.iloc[idx, 1]              # 获取对应标签
    if self.transform:                                # 如果定义了特征变换
        image = self.transform(image)                 # 对图像应用变换
    if self.target_transform:                         # 如果定义了标签变换
        label = self.target_transform(label)          # 对标签应用变换
    return image, label                               # 返回图像和标签的元组

---

使用 DataLoader 准备训练数据（Preparing your data for training with DataLoaders）

Dataset 每次检索数据集的一个样本的特征和标签。在训练模型时，我们通常希望以"小批量"的形式传递样本，在每个 epoch 重新打乱数据以减少模型过拟合，并使用 Python 的 multiprocessing 来加速数据检索。

DataLoader 是一个可迭代对象，它以简单的 API 为我们抽象了这种复杂性。

from torch.utils.data import DataLoader               # 导入数据加载器

train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)   # 创建训练数据加载器，批大小64，打乱数据
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)        # 创建测试数据加载器，批大小64，打乱数据

---

遍历 DataLoader（Iterate through the DataLoader）

我们已经将数据集加载到 DataLoader 中，可以根据需要遍历数据集。下面的每次迭代返回一批 train_features 和 train_labels（分别包含 batch_size=64 个特征和标签）。因为我们指定了 shuffle=True，在遍历完所有批次后，数据会被打乱。

# 显示图像和标签
train_features, train_labels = next(iter(train_dataloader))  # 获取第一个批次的数据
print(f"Feature batch shape: {train_features.size()}")  # 打印特征批次的形状
print(f"Labels batch shape: {train_labels.size()}")    # 打印标签批次的形状
img = train_features[0].squeeze()                     # 获取第一张图像并去除多余维度
label = train_labels[0]                               # 获取第一个标签
plt.imshow(img, cmap="gray")                          # 以灰度图显示图像
plt.show()                                            # 显示图形
print(f"Label: {label}")                              # 打印标签值

输出：

Feature batch shape: torch.Size([64, 1, 28, 28])
Labels batch shape: torch.Size([64])
Label: 5