处理数据样本的代码可能会变得混乱且难以维护；理想情况下，我们希望数据集代码与模型训练代码解耦，以提高可读性和模块化程度。
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自定义数据。Dataset 存储样本及其对应的标签，DataLoader 在 Dataset 基础上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（例如 FashionMNIST），这些数据集继承自 torch.utils.data.Dataset 并实现特定数据的功能。它们可用于对模型进行原型设计和基准测试。
加载数据集
以下示例展示了如何从 TorchVision 加载 Fashion-MNIST 数据集。Fashion-MNIST 是 Zalando 的商品图像数据集，包含 60000 个训练样本和 10000 个测试样本。每个样本由一张 28×28 的灰度图像和一个关联标签组成，标签共分为 10 个类别。
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指定训练集或测试集，download=True如果root路径下没有数据，则从互联网下载数据，transform和target_transform指定特征和标签的转换操作
import torch from torch.utils.data import Dataset from torchvision import datasets from torchvision.transforms import v2 import matplotlib.pyplot as plt training_data = datasets.FashionMNIST( root="data", train=True, download=True, transform=v2.Compose([v2.ToImage(), v2.ToDtype(torch.float32, scale=True)]) ) test_data = datasets.FashionMNIST( root="data", train=False, download=True, transform=v2.Compose([v2.ToImage(), v2.ToDtype(torch.float32, scale=True)]) )
0%| | 0.00/26.4M [00:00<?, ?B/s] 0%| | 65.5k/26.4M [00:00<01:10, 374kB/s] 1%| | 229k/26.4M [00:00<00:37, 703kB/s] 3%|▎ | 918k/26.4M [00:00<00:11, 2.17MB/s] 14%|█▍ | 3.67M/26.4M [00:00<00:03, 7.49MB/s] 36%|███▋ | 9.60M/26.4M [00:00<00:00, 16.9MB/s] 59%|█████▊ | 15.5M/26.4M [00:01<00:00, 22.5MB/s] 80%|████████ | 21.3M/26.4M [00:01<00:00, 25.8MB/s] 100%|██████████| 26.4M/26.4M [00:01<00:00, 19.9MB/s] 0%| | 0.00/29.5k [00:00<?, ?B/s] 100%|██████████| 29.5k/29.5k [00:00<00:00, 327kB/s] 0%| | 0.00/4.42M [00:00<?, ?B/s] 1%|▏ | 65.5k/4.42M [00:00<00:11, 372kB/s] 4%|▎ | 164k/4.42M [00:00<00:08, 482kB/s] 16%|█▌ | 688k/4.42M [00:00<00:02, 1.62MB/s] 63%|██████▎ | 2.79M/4.42M [00:00<00:00, 5.68MB/s] 100%|██████████| 4.42M/4.42M [00:00<00:00, 6.25MB/s] 0%| | 0.00/5.15k [00:00<?, ?B/s] 100%|██████████| 5.15k/5.15k [00:00<00:00, 58.4MB/s]
遍历与可视化数据集
我们可以像列表一样手动索引 Datasets：training_data[index]。我们使用 matplotlib 可视化训练数据中的一些样本。
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()为自定义文件创建数据集
自定义数据集类必须实现三个函数：__init__、__len__ 和 __getitem__。请看这个实现；FashionMNIST 图像存储在 img_dir 目录中，它们的标签单独存储在 annotations_file CSV 文件中。
在接下来的章节中，我们将详细讲解每个函数的作用。
import os import pandas as pd from torchvision.io import decode_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 = decode_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、注释文件以及两种转换操作（下一节将详细介绍）。
labels.csv 文件内容如下：
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。
示例：
def __len__(self): return len(self.img_labels)
__getitem__
__getitem__ 函数从数据集中加载并返回给定索引 idx 对应的样本。根据索引，它识别磁盘上图像的位置，使用 decode_image 将其转换为张量，从 self.img_labels 的 csv 数据中检索对应的标签，对它们调用转换函数（如果适用），并以元组形式返回张量图像和对应的标签。
def __getitem__(self, idx): img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0]) image = decode_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 DataLoader 准备训练数据
Dataset 一次只检索数据集的一个特征和标签。在训练模型时，我们通常希望以“小批量”传递样本，在每个周期打乱数据以减少模型过拟合，并使用 Python 的 multiprocessing 加速数据检索。
DataLoader 是一个可迭代对象，通过简单的 API 为我们抽象了这种复杂性。
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
我们已将数据集加载到 DataLoader 中，并可根据需要遍历数据集。下面的每次迭代都会返回一批 train_features 和 train_labels（分别包含 64 个特征和标签）。因为我们指定了 shuffle=True，遍历完所有批次后数据会被打乱。
# 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}")Feature batch shape: torch.Size([64, 1, 28, 28]) Labels batch shape: torch.Size([64]) Label: 5
