Pytorch技巧:DataLoader的collate_fn参数使用详解

DataLoader完整的参数表如下：

class torch.utils.data.DataLoader(
dataset,
batch_size=1,
shuffle=False,
sampler=None,
batch_sampler=None,
num_workers=0,
collate_fn=<function default_collate>,
pin_memory=False,
drop_last=False,
timeout=0,
worker_init_fn=None)

DataLoader在数据集上提供单进程或多进程的迭代器

几个关键的参数意思：

- shuffle：设置为True的时候，每个世代都会打乱数据集

- collate_fn：如何取样本的，我们可以定义自己的函数来准确地实现想要的功能

- drop_last：告诉如何处理数据集长度除于batch_size余下的数据。True就抛弃，否则保留

一个测试的例子

import torch
import torch.utils.data as Data
import numpy as np

test = np.array([0,1,2,3,4,5,6,7,8,9,10,11])

inputing = torch.tensor(np.array([test[i:i + 3] for i in range(10)]))
target = torch.tensor(np.array([test[i:i + 1] for i in range(10)]))

torch_dataset = Data.TensorDataset(inputing,target)
batch = 3

loader = Data.DataLoader(
dataset=torch_dataset,
batch_size=batch, # 批大小
# 若dataset中的样本数不能被batch_size整除的话，最后剩余多少就使用多少
collate_fn=lambda x:(
 torch.cat(
  [x[i][j].unsqueeze(0) for i in range(len(x))], 0
  ).unsqueeze(0) for j in range(len(x[0]))
 )
)

for (i,j) in loader:
print(i)
print(j)

输出结果：

tensor([[[ 0, 1, 2],
  [ 1, 2, 3],
  [ 2, 3, 4]]], dtype=torch.int32)
tensor([[[ 0],
  [ 1],
  [ 2]]], dtype=torch.int32)
tensor([[[ 3, 4, 5],
  [ 4, 5, 6],
  [ 5, 6, 7]]], dtype=torch.int32)
tensor([[[ 3],
  [ 4],
  [ 5]]], dtype=torch.int32)
tensor([[[ 6, 7, 8],
  [ 7, 8, 9],
  [ 8, 9, 10]]], dtype=torch.int32)
tensor([[[ 6],
  [ 7],
  [ 8]]], dtype=torch.int32)
tensor([[[ 9, 10, 11]]], dtype=torch.int32)
tensor([[[ 9]]], dtype=torch.int32)

如果不要collate_fn的值，输出变成

tensor([[ 0, 1, 2],
 [ 1, 2, 3],
 [ 2, 3, 4]], dtype=torch.int32)
tensor([[ 0],
 [ 1],
 [ 2]], dtype=torch.int32)
tensor([[ 3, 4, 5],
 [ 4, 5, 6],
 [ 5, 6, 7]], dtype=torch.int32)
tensor([[ 3],
 [ 4],
 [ 5]], dtype=torch.int32)
tensor([[ 6, 7, 8],
 [ 7, 8, 9],
 [ 8, 9, 10]], dtype=torch.int32)
tensor([[ 6],
 [ 7],
 [ 8]], dtype=torch.int32)
tensor([[ 9, 10, 11]], dtype=torch.int32)
tensor([[ 9]], dtype=torch.int32)

所以collate_fn就是使结果多一维。

看看collate_fn的值是什么意思。我们把它改为如下

collate_fn=lambda x:x

并输出

for i in loader:
print(i)

得到结果

[(tensor([ 0, 1, 2], dtype=torch.int32), tensor([ 0], dtype=torch.int32)), (tensor([ 1, 2, 3], dtype=torch.int32), tensor([ 1], dtype=torch.int32)), (tensor([ 2, 3, 4], dtype=torch.int32), tensor([ 2], dtype=torch.int32))]
[(tensor([ 3, 4, 5], dtype=torch.int32), tensor([ 3], dtype=torch.int32)), (tensor([ 4, 5, 6], dtype=torch.int32), tensor([ 4], dtype=torch.int32)), (tensor([ 5, 6, 7], dtype=torch.int32), tensor([ 5], dtype=torch.int32))]
[(tensor([ 6, 7, 8], dtype=torch.int32), tensor([ 6], dtype=torch.int32)), (tensor([ 7, 8, 9], dtype=torch.int32), tensor([ 7], dtype=torch.int32)), (tensor([ 8, 9, 10], dtype=torch.int32), tensor([ 8], dtype=torch.int32))]
[(tensor([ 9, 10, 11], dtype=torch.int32), tensor([ 9], dtype=torch.int32))]

每个i都是一个列表，每个列表包含batch_size个元组，每个元组包含TensorDataset的单独数据。所以要将重新组合成每个batch包含1*3*3的input和1*3*1的target，就要重新解包并打包。 看看我们的collate_fn：

collate_fn=lambda x:(
torch.cat(
 [x[i][j].unsqueeze(0) for i in range(len(x))], 0
 ).unsqueeze(0) for j in range(len(x[0]))
)

j取的是两个变量：input和target。i取的是batch_size。然后通过unsqueeze(0)方法在前面加一维。torch.cat(,0)将其打包起来。然后再通过unsqueeze(0)方法在前面加一维。 完成。

来源：https://blog.csdn.net/weixin_42028364/article/details/81675021