时间：2023-02-09 13:14:20 | 栏目：Python代码 | 点击：次
我们在 《torch.utils.data.DataLoader与迭代器转换操作》 中介绍了如何使用Pytorch内置的数据集进行论文实验，如 torchvision.datasets 。下面是加载内置训练数据集的常见操作：
from torchvision.datasets import FashionMNIST from torchvision.transforms import Compose, ToTensor, Normalize RAW_DATA_PATH = './rawdata' transform = Compose( [ToTensor(), Normalize((0.1307,), (0.3081,)) ] ) train_data = FashionMNIST( root=RAW_DATA_PATH, download=True, train=True, transform=transform )
这里的train_data 做为 dataset 对象，它拥有许多熟悉，我们可以通过以下方法获取样本数据的分类类别集合、样本的特征维度、样本的标签集合等信息。
classes = train_data.classes num_features = train_data.data[0].shape[0] train_labels = train_data.targets print(classes) print(num_features) print(train_labels)
输出如下:
['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
28
tensor([9, 0, 0, ..., 3, 0, 5])
但是，我们常常会在训练集的基础上拆分出验证集（或者只用部分数据来进行训练）。我们想到的第一个方法是使用 torch.utils.data.random_split 对 dataset 进行划分，下面我们假设划分10000个样本做为训练集，其余样本做为验证集：
from torch.utils.data import random_split k = 10000 train_data, valid_data = random_split(train_data, [k, len(train_data)-k])
注意我们如果打印 train_data 和 valid_data 的类型，可以看到显示：
<class 'torch.utils.data.dataset.Subset'>
已经不再是torchvision.datasets.mnist.FashionMNIST 对象，而是一个所谓的 Subset 对象！此时 Subset 对象虽然仍然还存有 data 属性，但是内置的 target 和 classes 属性已经不复存在，
比如如果我们强行访问 valid_data 的 target 属性：
valid_target = valid_data.target
就会报如下错误：
'Subset' object has no attribute 'target'
但如果我们在后续的代码中常常会将拆分后的数据集也默认为 dataset 对象，那么该如何做到代码的一致性呢？
这里有一个trick，那就是以继承 SubSet 类的方式的方式定义一个新的 CustomSubSet 类，使新类在保持 SubSet 类的基本属性的基础上，拥有和原本数据集类相似的属性，如 targets 和 classes 等:
from torch.utils.data import Subset class CustomSubset(Subset): '''A custom subset class''' def __init__(self, dataset, indices): super().__init__(dataset, indices) self.targets = dataset.targets # 保留targets属性 self.classes = dataset.classes # 保留classes属性 def __getitem__(self, idx): #同时支持索引访问操作 x, y = self.dataset[self.indices[idx]] return x, y def __len__(self): # 同时支持取长度操作 return len(self.indices)
然后就引出了第二种划分方法，即通过初始化 CustomSubset 对象的方式直接对数据集进行划分（这里为了简化省略了shuffle的步骤）：
import numpy as np from copy import deepcopy origin_data = deepcopy(train_data) train_data = CustomSubset(origin_data, np.arange(k)) valid_data = CustomSubset(origin_data, np.arange(k, len(origin_data))-k)
注意： CustomSubset 类的初始化方法的第二个参数 indices 为样本索引，我们可以通过 np.arange() 的方法来创建。
然后，我们再访问 valid_data 对应的 classes 和 targes 属性：
print(valid_data.classes) print(valid_data.targets)
此时，我们发现可以成功访问这些属性了：
['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot'] tensor([9, 0, 0, ..., 3, 0, 5])
当然， CustomSubset 的作用并不只是添加数据集的属性，我们还可以自定义一些数据预处理操作。
我们将类的结构修改如下：
class CustomSubset(Subset): '''A custom subset class with customizable data transformation''' def __init__(self, dataset, indices, subset_transform=None): super().__init__(dataset, indices) self.targets = dataset.targets self.classes = dataset.classes self.subset_transform = subset_transform def __getitem__(self, idx): x, y = self.dataset[self.indices[idx]] if self.subset_transform: x = self.subset_transform(x) return x, y def __len__(self): return len(self.indices)
我们可以在使用样本前设置好数据预处理算子:
from torchvision import transforms valid_data.subset_transform = transforms.Compose(\ [transforms.RandomRotation((180,180))])
这样，我们再像下列这样用索引访问取出数据集样本时，就会自动调用算子完成预处理操作:
print(valid_data[0])
打印结果缩略如下：
(tensor([[[-0.4242, -0.4242, -0.4242, ......-0.4242, -0.4242, -0.4242, -0.4242, -0.4242]]]), 9)