学习基础知识 || 快速入门 || 张量 || 数据集与数据加载器 || 转换 || 构建模型 || 自动微分 || 优化 || 保存与加载模型

数据集与数据加载器

创建于：2025 年 4 月 1 日 | 最后更新：2025 年 4 月 1 日 | 最后验证：2024 年 11 月 5 日

处理数据样本的代码可能会变得混乱且难以维护；我们理想情况下希望我们的数据集代码与模型训练代码解耦，以便更好地提高可读性和模块化。PyTorch 提供了两种数据原语： torch.utils.data.DataLoader 和 torch.utils.data.Dataset ，允许您使用预加载的数据集以及您自己的数据。 Dataset 存储样本及其对应的标签， DataLoader 将 Dataset 包装成一个可迭代对象，以便轻松访问样本。

PyTorch 领域库提供了一些预加载的数据集（如 FashionMNIST），它们是 torch.utils.data.Dataset 的子类，并实现了特定于特定数据的函数。它们可以用于原型设计和基准测试您的模型。您可以在以下位置找到它们：图像数据集、文本数据集和音频数据集

加载数据集

下面是一个从 TorchVision 加载 Fashion-MNIST 数据集的示例。Fashion-MNIST 是 Zalando 的服装图像数据集，包含 60,000 个训练样本和 10,000 个测试样本。每个样本包含一个 28×28 的灰度图像和一个与 10 个类别之一相关的标签。

我们使用以下参数加载 FashionMNIST 数据集：

• root 是存储训练/测试数据的路径，

• train 指定训练或测试数据集，

• download=True 如果在 root 中不可用，则从互联网下载数据。

• transform 和 target_transform 用于指定特征和标签的转换

import torch
from torch.utils.data import Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plt


training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)

迭代和可视化数据集

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某些样本。

labels_map = {
    0: "T-Shirt",
    1: "Trouser",
    2: "Pullover",
    3: "Dress",
    4: "Coat",
    5: "Sandal",
    6: "Shirt",
    7: "Sneaker",
    8: "Bag",
    9: "Ankle Boot",
}
figure = plt.figure(figsize=(8, 8))
cols, rows = 3, 3
for i in range(1, cols * rows + 1):
    sample_idx = torch.randint(len(training_data), size=(1,)).item()
    img, label = training_data[sample_idx]
    figure.add_subplot(rows, cols, i)
    plt.title(labels_map[label])
    plt.axis("off")
    plt.imshow(img.squeeze(), cmap="gray")
plt.show()

---

为您的文件创建自定义数据集 ¶

自定义数据集类必须实现三个函数：__init__、__len__和__getitem__。请查看这个实现；FashionMNIST 图像存储在目录 img_dir 中，其标签分别存储在 CSV 文件 annotations_file 中。

在接下来的章节中，我们将逐一分析这些函数中发生的事情。

import os
import pandas as pd
from torchvision.io import read_image

class CustomImageDataset(Dataset):
    def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
        self.img_labels = pd.read_csv(annotations_file)
        self.img_dir = img_dir
        self.transform = transform
        self.target_transform = target_transform

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

    def __getitem__(self, idx):
        img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
        image = read_image(img_path)
        label = self.img_labels.iloc[idx, 1]
        if self.transform:
            image = self.transform(image)
        if self.target_transform:
            label = self.target_transform(label)
        return image, label

__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、注释文件以及两个转换（将在下一节中详细介绍）。

labels.csv 文件看起来像：

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

def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
    self.img_labels = pd.read_csv(annotations_file)
    self.img_dir = img_dir
    self.transform = transform
    self.target_transform = target_transform

__len__

__len__ 函数返回数据集中的样本数量。

例如：

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

__getitem__

__getitem__ 函数根据给定的索引 idx 加载并返回数据集中的样本。根据索引，它确定图像在磁盘上的位置，使用 read_image 将其转换为张量，从 self.img_labels 中的 csv 数据中检索相应的标签，对它们（如果适用）调用转换函数，并以元组的形式返回张量图像和相应的标签。

def __getitem__(self, idx):
    img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
    image = read_image(img_path)
    label = self.img_labels.iloc[idx, 1]
    if self.transform:
        image = self.transform(image)
    if self.target_transform:
        label = self.target_transform(label)
    return image, label

---

使用 DataLoaders 准备您的数据以进行训练 ¶

Dataset 逐个检索数据集的特征和标签。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 结束时重新排列数据以减少模型过拟合，并使用 Python 的 multiprocessing 加速数据检索。

DataLoader 为我们抽象了这种复杂性，提供了一个简单的 API。

from torch.utils.data import DataLoader

train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)

遍历 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。下面的每次迭代都返回一个包含 train_features 和 train_labels 的批次（分别包含 batch_size=64 特征和标签）。因为我们指定了 shuffle=True ，在遍历所有批次之后，数据会被打乱（对于更细粒度的数据加载顺序控制，请参阅 Samplers）。

# Display image and label.
train_features, train_labels = next(iter(train_dataloader))
print(f"Feature batch shape: {train_features.size()}")
print(f"Labels batch shape: {train_labels.size()}")
img = train_features[0].squeeze()
label = train_labels[0]
plt.imshow(img, cmap="gray")
plt.show()
print(f"Label: {label}")

---

进一步阅读

• torch.utils.data API