解决pytorch load huge dataset(大数据加载)
最近用pytorch做实验时，遇到加载大量数据的问题。实验数据大小在400Gb，而本身机器的memory只有256Gb，显然无法将数据一次全部load到memory。
解决方法首先自定义一个MyDataset继承torch.utils.data.Dataset，然后将MyDataset的对象feed in torch.utils.data.DataLoader()即可。
MyDataset在__init__中声明一个文件对象，然后在__getitem__中缓慢读取数据，这样就不会一次把所有数据加载到内存中了。训练数据存放在train.txt中，每一行是一条数据记录。
import torch.utils.data as Data
from tqdm import tqdm
class MyDataset(Data.Dataset):
def __init__(self,filepath):
number = 0
with open(filepath,"r") as f:
# 获得训练数据的总行数
for _ in tqdm(f,desc="load training dataset"):
number+=1
self.number = number
self.fopen = open(filepath,'r')
def __len__(self):
return self.number
def __getitem__(self,index):
line = self.fopen.__next__()
# 自定义transform()对训练数据进行预处理
data = transform(line)
return data
train_dataset = MyDataset(filepath = "train.txt")
training_data = Data.DataLoader(dataset=train_dataset, batch_size=32,num_workers=1)
注意
1、num_workers只能设置为1。因为MyDataset初始化时只有一个文件对象，在dataloader时num_workers=1只用一个线程去操作文件对象读取数据。如果num_workers>1, 会出错，多个线程同时操作同一个文件对象，得到的数据并不是你想要的。
2、每一个epoch结束以后，需要重新声明train_dataset和training_data。因为一个epoch结束以后，文件对象已经指向文件末尾，下一个epoch取数据时，什么也得不到。
3、因为这里__getitem__()只是顺序的从文件中取出一行，而与index无关，那么在DataLoader时，即使参数shuffle指定为True，得到的数据依然是顺序的，即该方法无法shuffle数据。
补充：Pytorch加载自己的数据集(使用DataLoader读取Dataset)
1. 我们经常可以看到Pytorch加载数据集会用到官方整理好的数据集很多时候我们需要加载自己的数据集，这时候我们需要使用Dataset和DataLoader
Dataset：是被封装进DataLoader里，实现该方法封装自己的数据和标签。
DataLoader：被封装入DataLoaderIter里，实现该方法达到数据的划分。
2.Dataset阅读源码后，我们可以指导，继承该方法必须实现两个方法：
_getitem_()
_len_()
因此，在实现过程中我们测试如下：
import torch
import numpy as np
# 定义GetLoader类，继承Dataset方法，并重写__getitem__()和__len__()方法
class GetLoader(torch.utils.data.Dataset):
# 初始化函数，得到数据
def __init__(self, data_root, data_label):
self.data = data_root
self.label = data_label
# index是根据batchsize划分数据后得到的索引，最后将data和对应的labels进行一起返回
def __getitem__(self, index):
data = self.data[index]
labels = self.label[index]
return data, labels
# 该函数返回数据大小长度，目的是DataLoader方便划分，如果不知道大小，DataLoader会一脸懵逼
def __len__(self):
return len(self.data)
# 随机生成数据，大小为10 * 20列
source_data = np.random.rand(10, 20)
# 随机生成标签，大小为10 * 1列
source_label = np.random.randint(0,2,(10, 1))
# 通过GetLoader将数据进行加载，返回Dataset对象，包含data和labels
torch_data = GetLoader(source_data, source_label)
3.DataLoader
提供对Dataset的操作，操作如下：
torch.utils.data.DataLoader(dataset,batch_size,shuffle,drop_last，num_workers)
参数含义如下：
dataset： 加载torch.utils.data.Dataset对象数据
batch_size： 每个batch的大小
shuffle：是否对数据进行打乱
drop_last：是否对无法整除的最后一个datasize进行丢弃
num_workers：表示加载的时候子进程数
因此，在实现过程中我们测试如下（紧跟上述用例）：
from torch.utils.data import DataLoader
# 读取数据
datas = DataLoader(torch_data, batch_size=6, shuffle=True, drop_last=False, num_workers=2)
此时，我们的数据已经加载完毕了，只需要在训练过程中使用即可。
4.查看数据我们可以通过迭代器（enumerate）进行输出数据，测试如下：
for i, data in enumerate(datas):
# i表示第几个batch， data表示该batch对应的数据，包含data和对应的labels
print("第 {} 个Batch \n{}".format(i, data))
输出结果如下图：
结果说明：由于数据的是10个，batchsize大小为6，且drop_last=False，因此第一个大小为6，第二个为4。每一个batch中包含data和对应的labels。
当我们想取出data和对应的labels时候，只需要用下表就可以啦，测试如下：
# 表示输出数据
print(data[0])
# 表示输出标签
print(data[1])
结果如图：
以上为个人经验，希望能给大家一个参考，也希望大家多多支持软件开发网。
