作为一个2年多的不资深keraser和tfer，被boss要求全员换成pytorch。不得不说，pytorch还是真香的。之前用keras，总会发现多GPU使用的情况下不太好，对计算资源的利用率不太高。把模型改成pytorch以后，发现资源利用率非常可观。

非常看好pytorch的前途，到时候能制衡一下tf就好了。闲话不多扯，我来讲讲初入pytorch最重要的东西：dataset

网上有很多介绍pytorch dataset类的文章，不过大多数都是讲解某一类任务的数据集模型建立。不太具有泛化性，本文将提出一个通用的数据集接口解决技巧，供大家参考。

实验环境:

python==3.7.3

ubuntu==16.04

pytorch==1.1.0

dataset类

为什么木盏会说dataset是初入pytorch最重要的东西？因为我们复现项目的时候，最需要改的就是数据集。其他调调参改改模型问题都不大。

如果弄明白了pytorch中dataset类，你可以创建适应任意模型的数据集接口。

所谓数据集，无非就是一组{x:y}的集合吗，你只需要在这个类里说明“有一组{x:y}的集合”就可以了。

对于图像分类任务，图像+分类

对于目标检测任务，图像+bbox、分类

对于超分辨率任务，低分辨率图像+超分辨率图像

对于文本分类任务，文本+分类

...

你只需定义好这个项目的x和y是什么。好了，上面都是扯闲篇，我们直接看dataset代码：

class Dataset(object):
    """An abstract class representing a Dataset.

    All other datasets should subclass it. All subclasses should override
    ``__len__``, that provides the size of the dataset, and ``__getitem__``,
    supporting integer indexing in range from 0 to len(self) exclusive.
    """

    def __getitem__(self, index):
        raise NotImplementedError

    def __len__(self):
        raise NotImplementedError

    def __add__(self, other):
        return ConcatDataset([self, other])

上面的代码是pytorch给出的官方代码，其中__getitem__和__len__是子类必须继承的。

很好解释，pytorch给出的官方代码限制了标准，你要按照它的标准进行数据集建立。首先，__getitem__就是获取样本对，模型直接通过这一函数获得一对样本对{x:y}。__len__是指数据集长度。

自己建立一个dataset试试：

class MyDataSet(Dataset):
    def __init__(self):
        self.sample_list = ...

    def __getitem__(self, index):
        x= ...
        y= ...
        return x, y

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

上面这个模板是本人定义好的，史称“木盏模板”。咱只需按照需求把模板填完就Ok了，那么为什么说这个模板使用于各种任务的数据集建造呢？还得依靠一个trick：通过txt文件映射。

举个实例，假设我要给一个分类器训练喂数据，我的数据是images+number的组合，比如{img:3}，这代表这个图像应该分在“3”类。我怎么写代码呢？

from torch.utils.data import Dataset

class MyDataSet(Dataset):
    def __init__(self, dataset_type, transform=None, update_dataset=False):
        """
        dataset_type: ['train', 'test']
        """

        dataset_path = '/home/muzhan/projects/dataset/'

        if update_dataset:
            make_txt_file(dataset_path)  # update datalist

        self.transform = transform
        self.sample_list = list()
        self.dataset_type = dataset_type
        f = open(dataset_path + self.dataset_type + '/datalist.txt')
        lines = f.readlines()
        for line in lines:
            self.sample_list.append(line.strip())
        f.close()

    def __getitem__(self, index):
        item = self.sample_list[index]
        # img = cv2.imread(item.split(' _')[0])
        img = Image.open(item.split(' _')[0])
        if self.transform is not None:
            img = self.transform(img)
        label = int(item.split(' _')[-1])
        return img, label

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

上面有个transform参数，用于对数据集进行预处理的，可以根据项目选择使用。

上面有一个make_txt_file的函数需要说明一下，这个函数可以在数据集目录下创建一个txt文件，代表x和y的映射关系。这个函数大家可以自己写，一个简单脚本而已，我就不共享代码了。（如有需要，留言告知）

我给大家看一下我的datalist.txt中的几行：

/home/muzhan/projects/dataset/test/250_04.png _0
/home/muzhan/projects/dataset/test/250_05.png _7
/home/muzhan/projects/dataset/test/250_06.png _3
/home/muzhan/projects/dataset/test/250_07.png _2
/home/muzhan/projects/dataset/test/250_08.png _2
/home/muzhan/projects/dataset/test/250_09.png _3
/home/muzhan/projects/dataset/test/250_10.png _4
/home/muzhan/projects/dataset/test/250_11.png _0
/home/muzhan/projects/dataset/test/250_12.png _9

这样就可以理解我在__getitem__函数中解析x和y的方法吧，在文本中用字符串' _'隔开，当然你可以用其他字符，能够保证剪切字符串不出错即可。

我们需要测试这个dataset类是否成功：

if __name__ == '__main__'：
    ds = MyDataSet()
    print(ds.__len__())
    img, gt = ds.__getitem__(34) # get the 34th sample
    print(type(img))
    print(gt)

上面有输出，并且和你数据集一致，那证明这个dataset类是成功的。

有了这个，用DataLoader函数就可以加载我们的数据集了。

木盏

Pytorch中的dataset类——创建适应任意模型的数据集接口

dataset类