生动形象的DataLoader
整理一下 PyTorch 的 DataLoader 。
先来看看官方文档：
DataLoader官方文档
PyTorch 出这两个类的目的是想将数据集代码和模型训练代码分离，以获得更好的可读性和模块化。
数据集训练分离
举个例子：
有一个数据集（如下表），数据集中有四句话 和 每句话所对应的标签，现在要把此数据集输入模型中，做分类任务。
| sentence |
|---|
| 再次证明了“无敌是多么寂寞”——逆天的中国乒乓球队！ label: news_sports |
| 学计算机的已经烂大街了吗 label: news_edu |
| 你见过最努力的人现在都混成什么样子了？ label: news_edu |
| 为什么茶会成为世界级的流行饮料？ label: new_culture |
把每个句子分词、去除停用词（百度停用词），并放到一个列表中。
| sentence |
|---|
| ['再次', '证明', '无敌', '多么', '寂寞', '—', '—', '逆天', '中国乒乓球队'] label: news_sports |
| ['学', '计算机', '烂', '大街'] label: news_edu |
| ['见', '最', '努力', '人', '都', '混成', '样子', '？'] label: news_edu |
| ['茶会', '世界级', '流行', '饮料', '？'] label: new_culture |
再把句子中的每个词换成id, 标签也换成相映id
| sentence |
|---|
| [830, 2311, 2218, 1975, 2701, 1, 1, 7509, 24627] label: 0 |
| [636, 6924, 2991, 3017] label: 1 |
| [511, 74, 738, 25, 26, 20052, 2140, 18] label: 1 |
| [1, 8831, 1952, 3308, 18] label: 2 |
接下来，看看 torch.utils.data.Dataset 。
Dataset文档
所有集成 Dataset 类的子类都要复写 __getitem__() 方法和 __len_方法。
__getitem__()：返回一个样本（sample）
__len__(): 返回样本的数量（the size of the dataset）
DataLoader 可以理解为从 Dataset 中取数据，然后对数据进行处理并形成多个 tensor ，最后把 tensor 送到模型中。具体文档如下图：
image
参数解释(挑选几个我认为重要的)：
- dataset：从哪加载数据
- batch_size：一个batch加载几个样本（samples）
- shuffle：是否打乱数据
- sampler：采样策略
- batch_sampler：批采样方法
- num_workers：加载数据的进程数
- collate_fn：合并样本，形成一个 batch 的 tensor
- drop_last：True -- 如果最后一个样本的 size 小于 batch_size, 则丢弃该样本。 False -- 不丢弃
DataLoader 处理数据的流程如下：
image
使用采样策略到 DataSet 中取数据，返回多个样本（sample），然后经过 collate_fn 合并样本，形成一个 batch 的 tensor，最后将 tensor 送到模型中。
那采样策略是什么呢？
采样策略可以简单的理解为以什么样的方式取数据。
这里举两个简单的例子：
torch.utils.data.SequentialSampler -- 顺序采样：就是按照 Dataset 样本的顺序，依次返回一个样本。
torch.utils.data.RandomSampler -- 随机采样：就是打乱 Dataset 样本的顺序，随机返回一个样本。
当然采样的方式有多种，这里只举两种采样进行对比，目的是让大家明白什么是采样策略。
DataLoader 中根据采样策略（Sampler）到 Dataset 中取数据。在图中可以看到，从 Dataset 中可以返回多个样本（sample）。其中样本是什么？为何是多个？
样本（sample）-- 抽象的可以理解为 一个 x 和对应 y 的集合。
举个具体的“样本”例子就是：
([830, 2311, 2218, 1975, 2701, 1, 1, 7509, 24627], 0) #（从上面的表格拷贝的）
将一个句子（x）以及对应的 label=0 (y) 放在一个元组（也可以是列表、字典等）中，这就是一个样本
多个样本 -- 是依据采样策略。采样策略可以返回一个样本，也可以返回多个样本。
假设返回多个 sample ，就是返回2个样本。举个具体的“2个样本”例子就是：
[([830, 2311, 2218, 1975, 2701, 1, 1, 7509, 24627], 0),
([636, 6924, 2991, 3017], 1)]
现在就需要 collate_fn 将这两个样本进行处理，并形成一个 tensor(batch_data) 。
collate_fn 里面的具体操作就是将属于 x 的部分合并为一个 tensor_x，将属于 y 的部分合并为一个 tensor_y ，最后将 tensor_x 和 tensor_y 返回。在合并 x 的时候通常要做的操作是 填充截断（截断句子长的，填充句子短的）。
经过 collate_fn 举个具体的“ tensor_x 和 tensor_y ”的例子就是：
tensor_x = tensor([[830, 2311, 2218, 1975, 2701, 1, 1, 7509, 24627],
[636, 6924, 2991, 3017, 0, 0, 0, 0, 0]])
tensor_y = tensor([0,1])
我和别人不一样的点在于举了个例子吧！
欢迎批评指正。
