__getitem__ 的 idx 在 PyTorch 的 DataLoader 中如何工作？

Question

我目前正在尝试使用 PyTorch 的 DataLoader 处理数据以输入我的深度学习模型，但遇到了一些困难。

我需要的数据是 shape (minibatch_size=32, rows=100, columns=41)。该__getitem__COAD，我有自定义的内Dataset类，我写了看起来是这样的：

def __getitem__(self, idx):
    x = np.array(self.train.iloc[idx:100, :])
    return x

我这样写的原因是因为我希望 DataLoader 一次处理形状的输入实例(100, 41)，而我们有 32 个这样的单个实例。

但是，我注意到与我最初的看法相反，idxDataLoader 传递给函数的参数不是顺序的（这很重要，因为我的数据是时间序列数据）。例如，打印值给了我这样的东西：

idx = 206000
idx = 113814
idx = 80597
idx = 3836
idx = 156187
idx = 54990
idx = 8694
idx = 190555
idx = 84418
idx = 161773
idx = 177725
idx = 178351
idx = 89217
idx = 11048
idx = 135994
idx = 15067

这是正常行为吗？我发布这个问题是因为返回的数据批次不是我最初想要的。

在使用 DataLoader 之前，我用来预处理数据的原始逻辑是：

1. 从txt或csv文件中读取数据。
2. 计算数据中有多少批次并相应地对数据进行切片。例如，由于一个输入实例具有形状，(100, 41)而其中的 32 个构成一个 minibatch，我们通常最终会得到大约 100 个左右的批次并相应地重塑数据。
3. 一个输入的形状为(32, 100, 41)。

我不确定我还应该如何处理 DataLoader 钩子方法。非常感谢任何提示或建议。提前致谢。

Answer 1

定义 idx 的是sampleror batch_sampler，正如您在此处看到的（开源项目是您的朋友）。在此代码（和注释/文档字符串），你可以看到之间的差异sampler和batch_sampler。如果您查看此处，您将看到如何选择索引：

def __next__(self):
    index = self._next_index()

# and _next_index is implemented on the base class (_BaseDataLoaderIter)
def _next_index(self):
    return next(self._sampler_iter)

# self._sampler_iter is defined in the __init__ like this:
self._sampler_iter = iter(self._index_sampler)

# and self._index_sampler is a property implemented like this (modified to one-liner for simplicity):
self._index_sampler = self.batch_sampler if self._auto_collation else self.sampler

注意这是_SingleProcessDataLoaderIter实现；您可以在_MultiProcessingDataLoaderIter 此处找到（ofc，使用哪个取决于num_workers值，正如您在此处看到的那样）。回到采样器，假设您的数据集不是_DatasetKind.Iterable，并且您没有提供自定义采样器，这意味着您正在使用（dataloader.py#L212-L215）：

if shuffle:
    sampler = RandomSampler(dataset)
else:
    sampler = SequentialSampler(dataset)

if batch_size is not None and batch_sampler is None:
    # auto_collation without custom batch_sampler
    batch_sampler = BatchSampler(sampler, batch_size, drop_last)

我们来看看默认的 BatchSampler是如何构建批处理的：

def __iter__(self):
    batch = []
    for idx in self.sampler:
        batch.append(idx)
        if len(batch) == self.batch_size:
            yield batch
            batch = []
    if len(batch) > 0 and not self.drop_last:
        yield batch

非常简单：它从采样器获取索引，直到达到所需的 batch_size。

现在的问题是“__getitem__ 的 idx 在 PyTorch 的 DataLoader 中如何工作？” 可以通过查看每个默认采样器的工作原理来回答。

• SequentialSampler（这是完整的实现——非常简单，不是吗？）：

class SequentialSampler(Sampler):
    def __init__(self, data_source):
        self.data_source = data_source

    def __iter__(self):
        return iter(range(len(self.data_source)))

    def __len__(self):
        return len(self.data_source)

• RandomSampler（我们只看__iter__实现）：

def __iter__(self):
    n = len(self.data_source)
    if self.replacement:
        return iter(torch.randint(high=n, size=(self.num_samples,), dtype=torch.int64).tolist())
    return iter(torch.randperm(n).tolist())

因此，由于您没有提供任何代码，我们只能假设：

1. 您shuffle=True在 DataLoader中使用或
2. 您正在使用自定义采样器或
3. 您的数据集是 _DatasetKind.Iterable