[pytorch] 定义自己的dataloader

最新推荐文章于 2025-03-29 23:51:45 发布

原创

最新推荐文章于 2025-03-29 23:51:45 发布 · 1k 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #人工智能 #python

本文详细介绍了如何在PyTorch中定义并使用自定义的数据加载器，包括`LoadData`类的`__init__`、`__getitem__`和`__len__`方法的实现，以及如何根据训练和测试需求进行预处理，并通过`DataLoader`进行数据加载和批处理。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

定义自己的dataloader

1 定义datalaoder
2 调用dataloader
参考

在使用自己数据集训练网络时，往往需要定义自己的dataloader。

1 定义datalaoder

一般将dataloader封装为一个类，这个类继承自 torch.utils.data.dataset

from torch.utils.data import dataset

class LoadData(Dataset):  # 注意父类的名称，不能写dataset
    pass

需要注意的是dataset是模块名，而Dataset是类名，在python中模块名和类名是完全独立的命名空间，因此这里的父类需要写成 dataset.Dataset。

在我们定义的LoadData中，至少需要有三个方法：

__init__方法，主要用来定义数据的预处理
__getitem__方法，返回数据的item和label
__len__方法，返回数据个数

整体大致架构：

import torch
from torch.utils.data import Dataset
from torch.utils.data import DataLoader

class LoadData(dDataset):

    def __init__(self):
        pass

    def __getitem__(self,index):
        pass

    def __len__(self):
        pass

dataset = Loaddata()
train_loader = DataLoader(dataset = dataset,