Question

我目前正在尝试使用PyTorch的DataLoader处理数据以将其输入到深度学习模型中，但遇到了一些困难。

我需要的数据为(minibatch_size=32, rows=100, columns=41)。我在编写的自定义__getitem__类中拥有的Dataset外套看起来像这样：

def __getitem__(self, idx):
    x = np.array(self.train.iloc[idx:100, :])
    return x

之所以这样写，是因为我希望DataLoader一次处理形状为(100, 41)的输入实例，而我们有32个这样的单个实例。

但是，我注意到与最初的想法相反，DataLoader传递给函数的idx参数不是顺序的（这很关键，因为我的数据是时间序列数据）。例如，打印值给我这样的东西：

idx = 206000
idx = 113814
idx = 80597
idx = 3836
idx = 156187
idx = 54990
idx = 8694
idx = 190555
idx = 84418
idx = 161773
idx = 177725
idx = 178351
idx = 89217
idx = 11048
idx = 135994
idx = 15067

这是正常行为吗？我发布此问题是因为要返回的数据批次不是我最初希望的数据批次。

在使用DataLoader之前，我用来预处理数据的原始逻辑是：

从txt或csv文件中读取数据。
计算数据中有多少批次，并相应地切片数据。例如，由于一个输入实例的形状为(100, 41)，而其中的32个形成一个小批量，我们通常以大约100个批次结束并相应地调整数据的形状。
一个输入的形状为(32, 100, 41)。

我不确定我还应该如何处理DataLoader挂钩方法。任何提示或建议，我们将不胜感激。预先感谢。

Answer 1

定义idx的是sampler或batch_sampler，如您所见here（开源项目是您的朋友）。在此code（和注释/文档字符串）中，您可以看到sampler和batch_sampler之间的区别。如果您查看here，将会看到如何选择索引：

def __next__(self):
    index = self._next_index()

# and _next_index is implemented on the base class (_BaseDataLoaderIter)
def _next_index(self):
    return next(self._sampler_iter)

# self._sampler_iter is defined in the __init__ like this:
self._sampler_iter = iter(self._index_sampler)

# and self._index_sampler is a property implemented like this (modified to one-liner for simplicity):
self._index_sampler = self.batch_sampler if self._auto_collation else self.sampler

请注意，这是_SingleProcessDataLoaderIter的实现；您可以找到_MultiProcessingDataLoaderIter here（使用的ofc取决于num_workers的值，您可以看到here）。回到采样器，假设您的数据集不是_DatasetKind.Iterable，并且您没有提供自定义采样器，则意味着您正在使用（dataloader.py#L212-L215）：

if shuffle:
    sampler = RandomSampler(dataset)
else:
    sampler = SequentialSampler(dataset)

if batch_size is not None and batch_sampler is None:
    # auto_collation without custom batch_sampler
    batch_sampler = BatchSampler(sampler, batch_size, drop_last)

让我们看一下how the default BatchSampler builds a batch：

def __iter__(self):
    batch = []
    for idx in self.sampler:
        batch.append(idx)
        if len(batch) == self.batch_size:
            yield batch
            batch = []
    if len(batch) > 0 and not self.drop_last:
        yield batch

非常简单：它从采样器获取索引，直到达到所需的batch_size。

现在出现问题“ __getitem__的idx在PyTorch的DataLoader中如何工作？”可以通过查看每个默认采样器的工作方式来回答。

SequentialSampler（这是完整的实现-非常简单，不是吗？）：

class SequentialSampler(Sampler):
    def __init__(self, data_source):
        self.data_source = data_source

    def __iter__(self):
        return iter(range(len(self.data_source)))

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

RandomSampler（让我们看看__iter__的实现）：

def __iter__(self):
    n = len(self.data_source)
    if self.replacement:
        return iter(torch.randint(high=n, size=(self.num_samples,), dtype=torch.int64).tolist())
    return iter(torch.randperm(n).tolist())

因此，由于您未提供任何代码，我们只能假设：

您在DataLoader 或

shuffle=True

您正在使用自定义采样器或
您的数据集为_DatasetKind.Iterable

getitem的idx在PyTorch的DataLoader中如何工作？

1 个答案: