如何使用pytorch同时迭代两个数据加载器？

Question

我正在尝试实现一个包含两个图像的暹罗网络。我加载这些图像并创建两个单独的数据加载器。

在循环中，我想同时浏览两个数据加载器，以便可以在两个图像上训练网络。

for i, data in enumerate(zip(dataloaders1, dataloaders2)):

    # get the inputs
    inputs1 = data[0][0].cuda(async=True);
    labels1 = data[0][1].cuda(async=True);

    inputs2 = data[1][0].cuda(async=True);
    labels2 = data[1][1].cuda(async=True);

    labels1 = labels1.view(batchSize,1)
    labels2 = labels2.view(batchSize,1)

    # zero the parameter gradients
    optimizer.zero_grad()

    # forward + backward + optimize
    outputs1 = alexnet(inputs1)
    outputs2 = alexnet(inputs2)

数据加载器的返回值是一个元组。但是，当我尝试使用zip它们进行迭代时，出现以下错误：

OSError: [Errno 24] Too many open files
Exception NameError: "global name 'FileNotFoundError' is not defined" in <bound method _DataLoaderIter.__del__ of <torch.utils.data.dataloader._DataLoaderIter object at 0x7f2d3c00c190>> ignored                           

不应在所有可迭代项目上进行压缩吗？但是似乎在这里我不能在数据加载器上使用它。

还有其他方法可以做到这一点吗？还是我错误地接近了暹罗网络的实现？

Answer 1

继它是什么已经提到的，cycle()并zip() 可能造成内存泄漏问题-使用图像数据集时特别！为了解决这个问题，而不是像这样迭代：

dataloaders1 = DataLoader(DummyDataset(0, 100), batch_size=10, shuffle=True)
dataloaders2 = DataLoader(DummyDataset(0, 200), batch_size=10, shuffle=True)
num_epochs = 10

for epoch in range(num_epochs):

    for i, (data1, data2) in enumerate(zip(cycle(dataloaders1), dataloaders2)):
        
        do_cool_things()

你可以使用：

dataloaders1 = DataLoader(DummyDataset(0, 100), batch_size=10, shuffle=True)
dataloaders2 = DataLoader(DummyDataset(0, 200), batch_size=10, shuffle=True)
num_epochs = 10

for epoch in range(num_epochs):
    dataloader_iterator = iter(dataloaders1)
    
    for i, data1 in enumerate(dataloaders2)):

        try:
            data2 = next(dataloader_iterator)
        except StopIteration:
            dataloader_iterator = iter(dataloaders1)
            data2 = next(dataloader_iterator)

        do_cool_things()

请记住，如果您也使用标签，则应在此示例data1中用(inputs1,targets1)和data2替换inputs2,targets2，正如@Sajad Norouzi 所说。

对这个点赞：https : //github.com/pytorch/pytorch/issues/1917#issuecomment-433698337

Answer 2

如果您想同时迭代两个数据集，则无需定义自己的数据集类，只需使用如下 TensorDataset：

dataset = torch.utils.data.TensorDataset(dataset1, dataset2)
dataloader = DataLoader(dataset, batch_size=128, shuffle=True)
for index, (xb1, xb2) in enumerate(dataloader):
    ....

如果您想要标签或迭代两个以上的数据集，只需将它们作为参数提供给 dataset2 之后的 TensorDataset。

Answer 3

完成@ManojAcharya的答案：

您得到的错误既不是来自zip()也不是DataLoader()直接来自。Python试图告诉您，它可能找不到您所要的数据文件之一（参见FileNotFoundError异常跟踪中的cf ）Dataset。

在下面使用DataLoader和zip一起找到工作示例。请注意，如果您想重新整理数据，则很难保留两个数据集之间的对应关系。这证明了@ManojAcharya的解决方案。

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

class DummyDataset(Dataset):
    """
    Dataset of numbers in [a,b] inclusive
    """

    def __init__(self, a=0, b=100):
        super(DummyDataset, self).__init__()
        self.a = a
        self.b = b

    def __len__(self):
        return self.b - self.a + 1

    def __getitem__(self, index):
        return index, "label_{}".format(index)

dataloaders1 = DataLoader(DummyDataset(0, 9), batch_size=2, shuffle=True)
dataloaders2 = DataLoader(DummyDataset(0, 9), batch_size=2, shuffle=True)

for i, data in enumerate(zip(dataloaders1, dataloaders2)):
    print(data)
# ([tensor([ 4,  7]), ('label_4', 'label_7')], [tensor([ 8,  5]), ('label_8', 'label_5')])
# ([tensor([ 1,  9]), ('label_1', 'label_9')], [tensor([ 6,  9]), ('label_6', 'label_9')])
# ([tensor([ 6,  5]), ('label_6', 'label_5')], [tensor([ 0,  4]), ('label_0', 'label_4')])
# ([tensor([ 8,  2]), ('label_8', 'label_2')], [tensor([ 2,  7]), ('label_2', 'label_7')])
# ([tensor([ 0,  3]), ('label_0', 'label_3')], [tensor([ 3,  1]), ('label_3', 'label_1')])

Answer 4

添加 @Aldream 的解决方案，用于当我们有不同长度的数据集时，如果我们想在同一时期传递它们，那么我们可以使用 from cycle()，itertools一个 Python 标准库。使用@Aldrem的代码片段，更新后的代码将如下所示：

from torch.utils.data import DataLoader, Dataset
from itertools import cycle

class DummyDataset(Dataset):
    """
    Dataset of numbers in [a,b] inclusive
    """

    def __init__(self, a=0, b=100):
        super(DummyDataset, self).__init__()
        self.a = a
        self.b = b

    def __len__(self):
        return self.b - self.a + 1

    def __getitem__(self, index):
        return index

dataloaders1 = DataLoader(DummyDataset(0, 100), batch_size=10, shuffle=True)
dataloaders2 = DataLoader(DummyDataset(0, 200), batch_size=10, shuffle=True)
num_epochs = 10

for epoch in range(num_epochs):
    for i, data in enumerate(zip(cycle(dataloaders1), dataloaders2)):
        print(data)

只有zip()当长度等于最小数据集（这里是100）的长度时，迭代器才会被耗尽。但是通过使用cycle()，我们将再次重复最小的数据集，除非我们的迭代器查看最大数据集（此处为 200）中的所有样本。

PS 人们总是会争辩说，只要随机采样，就可能不需要这种方法来实现收敛，但使用这种方法，评估可能会更容易。

Answer 5

我发现您正在努力构建正确的数据加载器功能。我会做：

class Siamese(Dataset):


    def __init__(self, transform=None):
    
       #init data here
    
    def __len__(self):
        return   #length of the data

    def __getitem__(self, idx):
        #get images and labels here 
        #returned images must be tensor
        #labels should be int 
        return img1, img2 , label1, label2