当前位置: 首页 > news >正文

【一起来学AI大模型】PyTorch DataLoader 实战指南

DataLoader 是 PyTorch 中处理数据的核心组件,它提供了高效的数据加载、批处理和并行处理功能。下面是一个全面的 DataLoader 实战指南,包含代码示例和最佳实践。

基础用法:简单数据加载

import torch
from torch.utils.data import Dataset, DataLoader# 1. 创建自定义数据集
class SimpleDataset(Dataset):def __init__(self, size=1000):self.data = torch.randn(size, 3, 32, 32)  # 模拟图像数据self.labels = torch.randint(0, 10, (size,))  # 0-9的标签def __len__(self):return len(self.data)def __getitem__(self, idx):return self.data[idx], self.labels[idx]# 2. 创建DataLoader
dataset = SimpleDataset(1000)
dataloader = DataLoader(dataset,batch_size=64,       # 批大小shuffle=True,        # 是否打乱数据num_workers=4,       # 使用4个进程加载数据pin_memory=True      # 使用固定内存(加速GPU传输)
)# 3. 使用DataLoader
for epoch in range(3):print(f"Epoch {epoch+1}")for batch_idx, (data, targets) in enumerate(dataloader):# 数据自动分批:data.shape = [64, 3, 32, 32], targets.shape = [64]if batch_idx % 10 == 0:print(f"  Batch {batch_idx}: {data.shape}, {targets.shape}")print("Epoch completed\n")

高级功能:自定义数据集与转换

图像数据集示例

import os
from PIL import Image
from torchvision import transformsclass CustomImageDataset(Dataset):def __init__(self, img_dir, transform=None):self.img_dir = img_dirself.transform = transformself.img_names = [f for f in os.listdir(img_dir) if f.endswith('.jpg')]# 假设文件名格式为 "label_imageid.jpg",例如 "3_001.jpg"self.labels = [int(f.split('_')[0]) for f in self.img_names]def __len__(self):return len(self.img_names)def __getitem__(self, idx):img_path = os.path.join(self.img_dir, self.img_names[idx])image = Image.open(img_path).convert('RGB')label = self.labels[idx]if self.transform:image = self.transform(image)return image, label# 定义数据转换
transform = transforms.Compose([transforms.Resize((256, 256)),      # 调整大小transforms.RandomHorizontalFlip(),   # 随机水平翻转transforms.RandomRotation(15),       # 随机旋转 ±15度transforms.ToTensor(),               # 转为Tensor [0,1]transforms.Normalize(                # 标准化mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])# 创建数据集和DataLoader
dataset = CustomImageDataset('/path/to/images', transform=transform)
dataloader = DataLoader(dataset,batch_size=32,shuffle=True,num_workers=4,collate_fn=lambda batch: tuple(zip(*batch))  # 自定义批处理函数
)

文本数据集示例

from torchtext.vocab import build_vocab_from_iterator
from torchtext.data.utils import get_tokenizerclass TextDataset(Dataset):def __init__(self, file_path, max_len=100):self.max_len = max_lenself.tokenizer = get_tokenizer('basic_english')# 读取文本数据和标签self.texts = []self.labels = []with open(file_path, 'r', encoding='utf-8') as f:for line in f:label, text = line.split('\t')self.labels.append(int(label))self.texts.append(text.strip())# 构建词汇表self.vocab = build_vocab_from_iterator((self.tokenizer(text) for text in self.texts),specials=['<unk>', '<pad>'])self.vocab.set_default_index(self.vocab['<unk>'])def __len__(self):return len(self.texts)def __getitem__(self, idx):text = self.texts[idx]tokens = self.tokenizer(text)# 将token转换为索引indices = [self.vocab[token] for token in tokens]# 截断或填充序列if len(indices) > self.max_len:indices = indices[:self.max_len]else:indices = indices + [self.vocab['<pad>']] * (self.max_len - len(indices))return torch.tensor(indices), self.labels[idx]# 自定义批处理函数(处理变长序列)
def collate_fn(batch):texts, labels = zip(*batch)# 找到批次中最长序列的长度max_len = max(len(t) for t in texts)# 填充所有序列到相同长度padded_texts = []for text in texts:padding = torch.zeros(max_len - len(text), dtype=torch.long)padded_texts.append(torch.cat((text, padding)))return torch.stack(padded_texts), torch.tensor(labels)# 创建DataLoader
text_dataset = TextDataset('/path/to/text_data.txt', max_len=100)
text_dataloader = DataLoader(text_dataset,batch_size=32,shuffle=True,num_workers=2,collate_fn=collate_fn  # 使用自定义批处理函数
)

性能优化技巧

1. 使用并行加载

# 根据CPU核心数设置num_workers
import os
num_workers = min(4, os.cpu_count())  # 使用不超过4个或CPU核心数的workerdataloader = DataLoader(dataset,batch_size=64,shuffle=True,num_workers=num_workers,pin_memory=True,  # 对于GPU训练非常重要persistent_workers=True  # 保持worker进程活动(PyTorch 1.7+)
)

2. 数据预取

from torch.utils.data import DataLoader, PrefetchGenerator# 使用预取生成器(PyTorch 1.7+)
dataloader = DataLoader(dataset,batch_size=64,shuffle=True,num_workers=4,prefetch_factor=2  # 每个worker预取的批次数
)# 或者使用自定义预取
class PrefetchLoader:def __init__(self, loader, device):self.loader = loaderself.device = deviceself.stream = torch.cuda.Stream() if device.type == 'cuda' else Nonedef __iter__(self):first = Truefor batch in self.loader:if self.stream is not None:with torch.cuda.stream(self.stream):batch = self._preprocess(batch)else:batch = self._preprocess(batch)if not first and self.stream is not None:torch.cuda.current_stream().wait_stream(self.stream)first = Falseyield batchdef _preprocess(self, batch):data, target = batchreturn data.to(self.device, non_blocking=True), target.to(self.device, non_blocking=True)# 使用自定义预取
device = torch.device('cuda')
prefetch_dataloader = PrefetchLoader(dataloader, device)

3. 内存映射文件处理大文件

import numpy as np
import torch
from torch.utils.data import Datasetclass MmapDataset(Dataset):def __init__(self, file_path, shape, dtype=np.float32):self.data = np.memmap(file_path, dtype=dtype, mode='r', shape=shape)def __len__(self):return self.data.shape[0]def __getitem__(self, idx):return torch.from_numpy(np.array(self.data[idx]))

分布式数据加载

import torch.distributed as dist
from torch.utils.data.distributed import DistributedSampler# 初始化分布式环境
dist.init_process_group(backend='nccl')
rank = dist.get_rank()
world_size = dist.get_world_size()# 创建分布式采样器
sampler = DistributedSampler(dataset,num_replicas=world_size,rank=rank,shuffle=True,seed=42
)# 创建分布式DataLoader
dist_dataloader = DataLoader(dataset,batch_size=64,sampler=sampler,num_workers=4,pin_memory=True,drop_last=True  # 丢弃最后不完整的批次
)# 在每个进程中
for epoch in range(10):# 设置epoch确保所有进程的shuffle一致dist_dataloader.sampler.set_epoch(epoch)for batch in dist_dataloader:# 处理批次数据pass

数据增强策略

图像增强

from torchvision import transforms
import albumentations as A
from albumentations.pytorch import ToTensorV2# 使用torchvision
torchvision_transform = transforms.Compose([transforms.RandomResizedCrop(224),transforms.RandomHorizontalFlip(),transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2),transforms.ToTensor(),transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])# 使用Albumentations(更丰富的增强)
albumentations_transform = A.Compose([A.RandomResizedCrop(224, 224),A.HorizontalFlip(p=0.5),A.VerticalFlip(p=0.2),A.Rotate(limit=30),A.RGBShift(r_shift_limit=25, g_shift_limit=25, b_shift_limit=25, p=0.9),A.RandomBrightnessContrast(brightness_limit=0.3, contrast_limit=0.3, p=0.5),A.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225)),ToTensorV2()
])# 在数据集类中使用
def __getitem__(self, idx):img_path = self.img_paths[idx]image = cv2.imread(img_path)image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)if self.transform:augmented = self.transform(image=image)image = augmented['image']return image, self.labels[idx]

文本增强

import nlpaug.augmenter.word as naw# 创建文本增强器
augmenter = naw.ContextualWordEmbsAug(model_path='bert-base-uncased', action="substitute",  # 替换、插入等aug_p=0.1  # 增强比例
)# 在数据集中使用
def __getitem__(self, idx):text = self.texts[idx]if self.augment and random.random() < 0.5:  # 50%概率增强text = augmenter.augment(text)# 后续处理...

数据可视化与调试

import matplotlib.pyplot as plt
import numpy as npdef show_batch(dataloader, n=4):"""显示一批图像及其标签"""dataiter = iter(dataloader)images, labels = next(dataiter)fig, axes = plt.subplots(1, n, figsize=(15, 4))for i in range(n):img = images[i].permute(1, 2, 0).numpy()  # CHW -> HWCimg = img * np.array([0.229, 0.224, 0.225]) + np.array([0.485, 0.456, 0.406])  # 反归一化img = np.clip(img, 0, 1)axes[i].imshow(img)axes[i].set_title(f"Label: {labels[i].item()}")axes[i].axis('off')plt.show()# 使用
show_batch(dataloader, n=8)

常见问题解决方案

1. 内存不足

# 解决方案1:使用更小的批大小
dataloader = DataLoader(dataset, batch_size=16)# 解决方案2:使用内存映射文件
# 如前文的MmapDataset示例# 解决方案3:使用IterableDataset
from torch.utils.data import IterableDatasetclass LargeIterableDataset(IterableDataset):def __init__(self, file_path, chunk_size=1000):self.file_path = file_pathself.chunk_size = chunk_sizedef __iter__(self):with open(self.file_path, 'r') as f:chunk = []for line in f:chunk.append(process_line(line))  # 自定义处理函数if len(chunk) == self.chunk_size:yield from chunkchunk = []if chunk:yield from chunk# 使用
dataset = LargeIterableDataset('large_file.txt')
dataloader = DataLoader(dataset, batch_size=64)

2. Windows多进程问题

# 解决方案:将主代码放入if __name__ == '__main__'块中
if __name__ == '__main__':# 在这里创建DataLoaderdataloader = DataLoader(dataset, num_workers=4)# 训练代码...

3. 数据加载成为瓶颈

# 解决方案1:增加num_workers
dataloader = DataLoader(dataset, num_workers=os.cpu_count())# 解决方案2:使用预取
# 如前文的PrefetchLoader示例# 解决方案3:使用更快的存储(如SSD代替HDD)# 解决方案4:使用更高效的数据格式(如HDF5、LMDB)

最佳实践总结

  1. 批大小选择:根据GPU内存选择最大可用批大小

  2. Worker数量:设置为CPU核心数的1-2倍

  3. 固定内存:GPU训练时始终设置pin_memory=True

  4. 数据增强:在CPU上执行,避免占用GPU资源

  5. 分布式训练:使用DistributedSampler确保数据正确分区

  6. 内存优化:对大文件使用内存映射或IterableDataset

  7. 预取策略:使用内置prefetch_factor或自定义预取

  8. 数据验证:定期可视化批次数据确保数据增强有效

  9. 资源监控:监控CPU/GPU利用率,识别瓶颈

  10. 格式优化:使用高效数据格式(如TFRecord、LMDB)加速IO

通过合理配置DataLoader,你可以显著提高模型训练效率,充分利用硬件资源,加速模型迭代过程。

http://www.dtcms.com/a/270712.html

相关文章:

  • 极简相册管理ios app Tech Support
  • ARM汇编编程(AArch64架构)课程 - 第7章:SIMD与浮点运算
  • 2025杰理蓝牙芯片:各系列芯片特点及市场分析
  • 【手写 new 操作符实现 - 深入理解 JavaScript 对象创建机制】
  • 【Linux】权限的概念及理解
  • VR/AR在HMI中的创新应用:远程协作与维修的沉浸式体验
  • 类和对象拓展——日期类
  • 【实习篇】之Http头部字段之Disposition介绍
  • 使用 Docker 搭建 Rust Web 应用开发环境——AI教你学Docker
  • VR重现红军过雪山:一场穿越时空的精神洗礼​
  • MySQL 09 普通索引和唯一索引
  • MySQL 间隙锁
  • pytorch 自动微分
  • 半导体晶圆检测的基本知识
  • EGARCH
  • Linux C 目录流基本操作
  • Alloy VS Promtail:基于 Loki 的日志采集架构对比与选型指南
  • ECS由浅入深第四节:ECS 与 Unity 传统开发模式的结合?混合架构的艺术
  • Using Spring for Apache Pulsar:Publishing and Consuming Partitioned Topics
  • vue2 echarts中国地图、在地图上标注经纬度及标注点
  • AI应用实践:制作一个支持超长计算公式的计算器,计算内容只包含加减乘除算法,保存在一个HTML文件中
  • 「macOS 系统字体收集器 (C++17 实现)」
  • Oracle存储过程导出数据到Excel:全面实现方案详解
  • Java零基础笔记08(Java编程核心:面向对象编程高级 {继承、多态})
  • 【macOS】【Swift】【RTF】黑色文字在macOS深色外观下看不清的解决方法
  • yolo8实现目标检测
  • springMVC05-异常处理器
  • HashMap源码分析:put与get方法详解
  • 【拓扑空间】示例及详解1
  • sqlplus表结构查询