__getitem__ 的 idx 如何在 PyTorch 的 DataLoader 中工作？

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(minibatch_size=32, rows=100, columns=41)。我编写的自定义Dataset 类中的__getitem__ 代码如下所示：

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

之所以这样写，是因为我希望 DataLoader 一次处理形状为 (100, 41) 的输入实例，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，DataLoader 传递给函数的idx 参数不是连续的（这很重要，因为我的数据是时间序列数据）。例如，打印这些值给了我这样的结果：

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。

我在使用DataLoader之前对数据进行预处理的原始逻辑是：

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，由于一个输入实例的形状为 (100, 41)，其中 32 个构成一个 minibatch，因此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)。

我不确定我应该如何处理 DataLoader 挂钩方法。非常感谢任何提示或建议。提前致谢。

Answer 1

定义 idx 的是sampler 或batch_sampler，如您所见here（开源项目是您的朋友）。在这个code（和注释/文档字符串）中，您可以看到sampler 和batch_sampler 之间的区别。如果您查看here，您会看到索引是如何选择的：

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的实现；你可以找到_MultiProcessingDataLoaderIterhere（ofc，使用哪一个取决于num_workers的值，你可以看到here）。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how the default BatchSampler builds a batch：

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 如何在 PyTorch 的 DataLoader 中工作？”可以通过查看每个默认采样器的工作方式来回答。

• 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__的实现）：

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