pytorch::Dataloader中的迭代器和生成器应用详解

时间:2021-05-22

在使用pytorch训练模型,经常需要加载大量图片数据,因此pytorch提供了好用的数据加载工具Dataloader。

为了实现小批量循环读取大型数据集,在Dataloader类具体实现中,使用了迭代器和生成器。

这一应用场景正是python中迭代器模式的意义所在,因此本文对Dataloader中代码进行解读,可以更好的理解python中迭代器和生成器的概念。

本文的内容主要有:

  • 解释python中的迭代器和生成器概念
  • 解读pytorch中Dataloader代码,如何使用迭代器和生成器实现数据加载

python迭代基础

python中围绕着迭代有以下概念:

  • 可迭代对象 iterables
  • 迭代器 iterator
  • 生成器 generator
  • 这三个概念互相关联,并不是孤立的。在可迭代对象的基础上发展了迭代器,在迭代器的基础上又发展了生成器。

    学习这些概念的名词解释没有多大意义。编程中很多的抽象概念都是为了更好的实现某些功能,才去人为创造的协议和模式。

    因此,要理解它们,需要探究概念背后的逻辑,为什么这样设计?要解决的真正问题是什么?在哪些场景下应用是最好的?

    迭代模式首先要解决的基础问题是,需要按一定顺序获取集合内部数据,比如循环某个list。

    当数据很小时,不会有问题。但当读取大量数据时,一次性读取会超出内存限制,因此想出以下方法:

    • 把大的数据分成几个小块,分批处理
    • 惰性的取值方式,按需取值

    循环读数据可分为下面三种应用场景,对应着容器(可迭代对象),迭代器和生成器:

    • for x in container: 为了遍历python内部序列容器(如list), 这些类型内部实现了__getitem__() 方法,可以从0开始按顺序遍历序列容器中的元素。
    • for x in iterator: 为了循环用户自定义的迭代器,需要实现__iter__和__next__方法,__iter__是迭代协议,具体每次迭代的执行逻辑在 __next__或next方法里
    • for x in generator: 为了节省循环的内存和加速,使用生成器来实现惰性加载,在迭代器的基础上加入了yield语句,最简单的例子是 range(5)

    代码示例:

    # 普通循环 for x in listnumbers = [1, 2, 3,]for n in numbers: print(n) # 1,2,3# for循环实际干的事情# iter输入一个可迭代对象list,返回迭代器# next方法取数据my_iterator = iter(numbers)next(my_iterator) # 1next(my_iterator) # 2next(my_iterator) # 3next(my_iterator) # StopIteration exception# 迭代器循环 for x in iteratorfor i,n in enumerate(numbers): print(i,n) # 0,1 / 1,3 / 2,3# 生成器循环 for x in generatorfor i in range(3): print(i) # 0,1,2

    上面示例代码中python内置函数iter和next的用法:

    • iter函数,调用__iter__,返回一个迭代器
    • next函数,输入迭代器,调用__next__,取出数据

    比较容易混淆的是__iter__和__next__两个方法。它们的区别是:

    • __iter__是为了可以迭代,真正执行取数据的逻辑是__next__方法实现的,实际调用是通过next(iterator)完成
    • __iter__可以返回自身(return self),实际读取数据的实现放在__next__方法
    • __iter__可以和yield搭配,返回生成器对象

    __iter__返回自身的做法有点类似 python中的类型系统。为了保持一致性,python中一切皆对象。

    每个对象创建后,都有类型指针,而类型对象的指针指向元对象,元对象的指针指向自身。

    生成器,是在__iter__方法中加入yield语句,好处有:

    • 减少循环判断逻辑的复杂度
    • 惰性取值,节省内存和时间

    yield作用:

    • 代替函数中的return语句
    • 记住上一次循环迭代器内部元素的位置

    三种循环模式常用函数

    for x in container 方法:

    • list, deque, …
    • set, frozensets, …
    • dict, defaultdict, OrderedDict, Counter, …
    • tuple, namedtuple, …
    • str

    for x in iterator 方法:

    • enumerate() # 加上list的index
    • sorted() # 排序list
    • reversed() # 倒序list
    • zip() # 合并list

    for x in generator 方法:

    • range()
    • map()
    • filter()
    • reduce()
    • [x for x in list(...)]

    Dataloder源码分析

    pytorch采用for x in iterator 模式,从Dataloader类中读取数据。

  • 为了实现该迭代模式,在Dataloader内部实现__iter__方法,实际返回的是_DataLoaderIter类。
  • _DataLoaderIter类里面,实现了 __iter__方法,返回自身,具体执行读数据的逻辑,在__next__方法中。
  • 以下代码只截取了单线程下的数据读取。

    class DataLoader(object): r""" Data loader. Combines a dataset and a sampler, and provides single- or multi-process iterators over the dataset. """ def __init__(self, dataset, batch_size=1, shuffle=False, ...): self.dataset = dataset self.batch_sampler = batch_sampler ... def __iter__(self): return _DataLoaderIter(self) def __len__(self): return len(self.batch_sampler)class _DataLoaderIter(object): r"""Iterates once over the DataLoader's dataset, as specified by the sampler""" def __init__(self, loader): self.sample_iter = iter(self.batch_sampler) ... def __next__(self): if self.num_workers == 0: # same-process loading indices = next(self.sample_iter) # may raise StopIteration batch = self.collate_fn([self.dataset[i] for i in indices]) if self.pin_memory: batch = pin_memory_batch(batch) return batch ... def __iter__(self): return self

    Dataloader类中读取数据Index的方法,采用了for x in generator 方式,但是调用采用iter和next函数

  • 构建随机采样类RandomSampler,内部实现了 __iter__方法
  • __iter__方法内部使用了 yield,循环遍历数据集,当数量达到batch_size大小时,就返回
  • 实例化随机采样类,传入iter函数,返回一个迭代器
  • next会调用随机采样类中生成器,返回相应的index数据
  • class RandomSampler(object): """random sampler to yield a mini-batch of indices.""" def __init__(self, batch_size, dataset, drop_last=False): self.dataset = dataset self.batch_size = batch_size self.num_imgs = len(dataset) self.drop_last = drop_last def __iter__(self): indices = np.random.permutation(self.num_imgs) batch = [] for i in indices: batch.append(i) if len(batch) == self.batch_size: yield batch batch = [] ## if images not to yield a batch if len(batch)>0 and not self.drop_last: yield batch def __len__(self): if self.drop_last: return self.num_imgs // self.batch_size else: return (self.num_imgs + self.batch_size - 1) // self.batch_sizebatch_sampler = RandomSampler(batch_size. dataset)sample_iter = iter(batch_sampler)indices = next(sample_iter)

    总结

    本文总结了python中循环的三种模式:

    • for x in container 可迭代对象
    • for x in iterator 迭代器
    • for x in generator 生成器

    pytorch中的数据加载模块 Dataloader,使用生成器来返回数据的索引,使用迭代器来返回需要的张量数据,可以在大量数据情况下,实现小批量循环迭代式的读取,避免了内存不足问题。

    参考文章

    迭代器和生成器
    流畅的Python-第14章:可迭代的对象、迭代器和生成器
    pytorch-dataloader源码

    以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。

    声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。

    相关文章