其他分享
首页 > 其他分享> > torch.utils.data

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____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:



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:



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