pytorch collate_fn应用
音程 人气:0作用
collate_fn:即用于collate的function,用于整理数据的函数。
说到整理数据,你当然要会用数据,即会用数据制作工具torch.utils.data.Dataset
,虽然我们今天谈的是torch.utils.data.DataLoader
,但是,其实:
- 这两个你如何定义;
- 从装载器dataloader中取数据后做什么处理;
- 模型的forward()中如何处理。
这三部分都是有机统一而不可分割的,一个地方改了,其他地方就要改。
emmm…,小小总结,collate_fn笼统的说就是用于整理数据,通常我们不需要使用,其应用的情形是:各个数据长度不一样的情况,比如第一张图片大小是28*28,第二张是50*50,这样的话就如果不自己写collate_fn,而使用默认的,就会报错。
原则
其实说起来,我们也没有什么原则,但是如今大多数做深度学习都是使用GPU,所以这个时候我们需要记住一个总则:只有tensor数据类型才能运行在GPU上,list和numpy都不可以。
从而,我们什么时候将我们的数据转化为tensor是一个问题,我的答案是前一节中的三个部分都可以来转化,只是我们大多数的人都习惯在部分一转化。
基础
dataset
我们必须先看看torch.utils.data.Dataset如何使用,以一个例子为例:
import torch.utils.data as Data class mydataset(Data.Dataset): def __init__(self,train_inputs,train_targets):#必须有 super(mydataset,self).__init__() self.inputs=train_inputs self.targets=train_targets def __getitem__(self, index):#必须重写 return self.inputs[index],self.targets[index] def __len__(self):#必须重写 return len(self.targets)
#构造训练数据 datax=torch.randn(4,3)#构造4个输入 datay=torch.empty(4).random_(2)#构造4个标签
#制作dataset dataset=mydataset(datax,datay)
下面,可以对dataset进行一系列操作,这些操作返回的结果和你之前那个class的三个函数定义都息息相关。我想说,那三个函数非常自由,你想怎么定义就怎么定义,上述只是一种常见的而已,你可以定制一个特色的。
len(dataset)#调用了你上面定义的def __len__()那个函数 #4
dataset[0]#调用了你上面定义的def __getitem__()那个函数 #(tensor([-1.1426, -1.3239, 1.8372]), tensor(0.))
所以我再三强调的是上面的输出结果和你的定义有关,比如你完全可以把def __getitem__()改成:
def __getitem__(self, index): return self.inputs[index]#不输出标签
那么,
dataset[0]#此时当然变化。 #tensor([-1.1426, -1.3239, 1.8372])
可以看到,是非常随便的,你随便定制就好。
dataloader
torch.utils.data.DataLoader
dataloader=Data.DataLoader(dataset,batch_size=2)
4个数据,batch_size=2,所以一共有2个batch。
collate_fn如果你不指定,会调用pytorch内部的,也就是说这个函数是一定会调用的,而且调用这个函数时pytorch会往这个函数里面传入一个参数batch。
def my_collate(batch): return xxx
这个batch是什么?这个东西和你定义的dataset, batch_size息息相关。batch是一个列表[x,...,xx],长度就是batch_size,里面每一个元素是dataset的某一个元素,即dataset[i](我在上一节展示过dataset[0])。
在我们的例子中,由于我们没有对dataloader设置需要打乱数据,即shuffle=True,那么第1个batch就是前两个数据,如下:
print(datax) print(datay) batch=[dataset[0],dataset[1]]#所以才说和你dataset中get_item的定义有关。 print(batch)
对,你没有看错,上述代码展示的batch就会传入到pytorch默认的collate_fn中,然后经过默认的处理,输出如下:
it=iter(dataloader) nex=next(it)#我们展示第一个batch经过collate_fn之后的输出结果 print(nex)
其实,上面就是我们常用的,经典的输出结果,即输入和标签是分开的,第一项是输入tensor,第二项是标签tensor,输入的维度变成了(batch_size,input_size)。
但是我们乍一看,将第一个batch变成上述输出结果很容易呀,我们也会!我们下面就来自己写一个collate_fn实现这个功能。
# a simple custom collate function, just to show the idea # `batch` is a list of tuple where first element is input tensor and the second element is corresponding label def my_collate(batch): inputs=[data[0].tolist() for data in batch] target = torch.tensor([data[1] for data in batch]) return [data, target]
dataloader=Data.DataLoader(dataset,batch_size=2,collate_fn=my_collate)
print(datax) print(datay)
it=iter(dataloader) nex=next(it) print(nex)
这不就和默认的collate_fn的输出结果一样了嘛!无非就是默认的还把输入变成了tensor,标签变成了tensor,我上面是列表,我改就是了嘛!如下:
def my_collate(batch): inputs=[data[0].tolist() for data in batch] inputs=torch.tensor(inputs) target =[data[1].tolist() for data in batch] target=torch.tensor(target) return [inputs, target]
dataloader=Data.DataLoader(dataset,batch_size=2,collate_fn=my_collate)
it=iter(dataloader) nex=next(it) print(nex)
这下好了吧!
对了,作为彩蛋,告诉大家一个秘密:默认的collate_fn函数中有一些语句是转tensor以及tensor合并的操作,所以你的dataset如果没有设计成经典模式的话,使用默认的就容易报错,而我们自己会写collate_fn,当然就不存在这个问题啦。同时,给大家的一个经验就是,一般dataset是不会报错的,而是根据dataset制作dataloader的时候容易报错,因为默认collate_fn把dataset的类型限制得比较死。
应用情形
假设我们还是4个输入,但是维度不固定的。
a=[[1,2],[3,4,5],[1],[3,4,9]] b=[1,0,0,1] dataset=mydataset(a,b) dataloader=Data.DataLoader(dataset,batch_size=2) it=iter(dataloader) nex=next(it) nex
使用默认的collate_fn,直接报错,要求相同维度。
这个时候,我们可以使用自己的collate_fn,避免报错。
不过话说回来,我个人感受是:
在这里避免报错好像也没有什么用,因为大多数的神经网络都是定长输入的,而且很多的操作也要求相同维度才能相加或相乘,所以:这里不报错,后面还是报错。如果后面解决这个问题的方法是:在不足维度上进行补0操作,那么我们为什么不在建立dataset之前先补好呢?所以,collate_fn这个东西的应用场景还是有限的。
总结
加载全部内容