torch.utils.data
作者:互联网
class torch.utils.data.Dataset
表示 \(Dataset\) 的抽象类。
所有其他数据集都应该进行子类化。所以子类应该覆写 __len__
和__getitem__
,前者提供了数据集的大小,后者支持整数索引,范围从 \(0\) 到 \(len(self)\)。
class torch.utils.data.TensorFataset(data_tensor, target_tensor)
包装数据和目标张量的数据集。
通过沿着第一个维度索引两个张量来恢复每个样本。
参数:
data_tensor(Tensor)
:包含样本数据。target_tensor(Tensor)
:包含样本标签。
class torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=False, sampler=None,
num_workers=0, collate_fn=<function default_collate>,
pin_memory=False, drop_last=False)
数据加载器。组合数据集合采样器,并在数据集上提供单进程或多进程迭代器。
参数:
-
dataset
(\(Dataset\)):加载的数据集。 -
batch_size
(\(int,optional\)):每个 \(batch\) 加载多少个样本(默认:1)。 -
shuffle
(\(bool, optional\)):设置为 \(True\) 时会在每个 \(epoch\) 重新打乱数据(默认:\(False\))。 -
sample
(\(Sample,optional\)):定义从数据集中提取样本的策略。如果指定,则忽略shuffle
参数。 -
num_workers
(\(int,optional\)):用多少个子进程加载数据。\(0\) 表示数据将在主进程中加载(默认:\(0\))。 -
collate_fn
(\(callable,optional\)) -
pin_memory
(\(bool, optional\)) -
drop_last
(\(bool,optional\)):如果数据集大小不能被 \(batch\ size\) 整除,则设置为 \(True\) 后可删除最后一个不完整的 \(batch\)。如果设为 \(False\) 并且数据集大小不能被 \(batch\ size\) 整除,则最后一个 \(batch\) 将更小。(默认:\(False\))。
class torch.utils.data.sampler.Sampler(data_source)
所有采样器的基础类。
每个采样器子类必须提供一个 __iter__
方法,提供一种迭代数据集元素的索引的方法,以及返回迭代器长度的 __len__
方法。
class torch.utils.data.sampler.SequentialSampler(data_source)
样本元素顺序排列,始终以相同的顺序。
参数:
data_source
(\(Dataset\)):采样的数据集。
class torch.utils.data.sampler.RandomSampler(data_source)
样本元素随机,没有替换。
参数:
data_source
(\(Dataset\)):采样的数据集。
class torch.utils.data.sampler.SubsetRandomSampler(indices)
样本元素从指定的索引列表中随机抽取,没有替换。
参数:
indices
(\(list\)):索引的列表。
class torch.utils.data.sampler.WeightedRandomSampler(weights,
num_samples,
replacement=True)
样本元素来自于 \([0,..,len(weights)-1]\),给定概率(\(weights\))。
参数:
weights
(\(list\)): 权重列表。没必要加起来为1 - num_samples (int) – 抽样数量
标签:__,data,utils,torch,数据,class 来源: https://www.cnblogs.com/keye/p/16591835.html