pytorch::Dataloader中的迭代器和生成器应用详解
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：
- forxincontainer: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。
- forxiniterator: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
- forxingenerator: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forxinlist numbers=[1,2,3,] forninnumbers: 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)#1 next(my_iterator)#2 next(my_iterator)#3 next(my_iterator)#StopIterationexception #迭代器循环forxiniterator fori,ninenumerate(numbers): print(i,n)#0,1/1,3/2,3 #生成器循环forxingenerator foriinrange(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（returnself），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
forxincontainer方法:
- list,deque,…
- set,frozensets,…
- dict,defaultdict,OrderedDict,Counter,…
- tuple,namedtuple,…
- str
forxiniterator方法:
- enumerate()#加上list的index
- sorted()#排序list
- reversed()#倒序list
- zip()#合并list
forxingenerator方法：
- range()
- map()
- filter()
- reduce()
- [xforxinlist(...)]
Dataloder源码分析
pytorch采用 forxiniterator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。
classDataLoader(object): r""" Dataloader.Combinesadatasetandasampler,andprovides single-ormulti-processiteratorsoverthedataset. """ 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): returnlen(self.batch_sampler) class_DataLoaderIter(object): r"""IteratesonceovertheDataLoader'sdataset,asspecifiedbythesampler""" def__init__(self,loader): self.sample_iter=iter(self.batch_sampler) ... def__next__(self): ifself.num_workers==0:#same-processloading indices=next(self.sample_iter)#mayraiseStopIteration batch=self.collate_fn([self.dataset[i]foriinindices]) ifself.pin_memory: batch=pin_memory_batch(batch) returnbatch ... def__iter__(self): returnself
Dataloader类中读取数据Index的方法，采用了 forxingenerator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
classRandomSampler(object): """randomsamplertoyieldamini-batchofindices.""" 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=[] foriinindices: batch.append(i) iflen(batch)==self.batch_size: yieldbatch batch=[] ##ifimagesnottoyieldabatch iflen(batch)>0andnotself.drop_last: yieldbatch def__len__(self): ifself.drop_last: returnself.num_imgs//self.batch_size else: return(self.num_imgs+self.batch_size-1)//self.batch_size batch_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：
- forxincontainer可迭代对象
- forxiniterator迭代器
- forxingenerator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毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。