如何使用 PyTorch 的 DataLoader 确保批次包含来自所有工作人员的样本？

Question

我想知道如何在 PyTorch 中使用 torch.utils.data.DataLoader，尤其是在多工人的情况下。

我发现DataLoader 的一批输出总是来自一个工人。 我希望 DataLoader 中有一个队列，它存储来自所有工作人员的数据，并且 DataLoader 将它们打乱在队列中以输出随机批处理数据。我认为这就是 Tensorflow 中tf.data.Dataset 的方式。 我们可以在 PyTorch 中实现类似的功能吗？我想通过使用多工作人员从大型序列化文件（如Tfrecord）加载数据集。在这种情况下，在一批中混合源文件，也就是混合worker的源，就很重要了。

请参考以下代码：

import random
import time

import torch


class MyDataset(torch.utils.data.Dataset):
    def __len__(self):
        return 50

    def __getitem__(self, idx):
        info = torch.utils.data.get_worker_info()

        time.sleep(random.uniform(0, 1))
        print("[{}]:{}".format(info.id, idx))
        return idx, info.id


if __name__ == '__main__':
    dataset = MyDataset()
    dataloader = torch.utils.data.DataLoader(dataset, batch_size=5, shuffle=False, num_workers=2)
    for batch in dataloader:
        print(batch)

输出：

[0]:0
[1]:5
[0]:1
[1]:6
[0]:2
[0]:3
[1]:7
[0]:4
[tensor([0, 1, 2, 3, 4]), tensor([0, 0, 0, 0, 0])]
[1]:8
[1]:9
[tensor([5, 6, 7, 8, 9]), tensor([1, 1, 1, 1, 1])]
[0]:10
[0]:11
[1]:15
[1]:16
[0]:12
[1]:17
...

这里，[tensor([0, 1, 2, 3, 4]), tensor([0, 0, 0, 0, 0])] 中的[0, 1, 2, 3, 4] 和[0, 0, 0, 0, 0] 表示该批次包含来自worker id 0 的索引0-th 到4-th 数据。 注意shuffle=True 并不能解决这个问题，它只会改变数据的索引。

在这种情况下，我想得到一个像：[tensor([0, 5, 1, 6, 2]), tensor([0, 1, 0, 1, 0])] 这样的批次。

Answer 1

我已经实现了一些简单的方法来解决类似的问题，我将大型视频文件作为训练数据，每个工作人员负责加载和预处理单个文件，然后从中产生样本。问题在于，正如 OP 所描述的，使用 Pytorch 的默认数据加载机制，每个批次仅包含来自单个视频文件的样本。

首先，让我们回顾一下这个问题。在这个简化的代码示例中，每个工作人员都会产生一个包含其零索引工作人员 ID 的张量。批量大小为 32 和 4 个工人，我们希望每个批次包含 8 个零、8 个一、8 个二和 8 个三。

from collections import defaultdict

import torch as T
import torch.utils.data as tdata


class Dataset(tdata.IterableDataset):
    def __init__(self, batch_size: int):
        self._bs = batch_size

    def __iter__(self):
        worker_info = tdata.get_worker_info()
        if not worker_info:
            raise NotImplementedError('Not implemented for num_workers=0')
        for _ in range(self._bs):
            yield T.tensor([worker_info.id])


batch_size = 32
num_workers = 4
dataset = Dataset(batch_size)
loader = tdata.DataLoader(dataset,
                          batch_size=batch_size,
                          num_workers=num_workers)


for batch in loader:
    counts = defaultdict(int)
    for n in batch.numpy().flatten():
        counts[n] += 1
    print(dict(counts))

而是打印代码：

{0: 32}
{1: 32}
{2: 32}
{3: 32}

这意味着第一批仅包含来自工人 0 的样本，第二批仅包含来自工人 1 的样本，等等。为了解决这个问题，我们将在 DataLoader 中设置批量大小为 batch_size // num_workers 并在DataLoader 为我们的批次汇集每个工人的样本：

def pooled_batches(loader):
    loader_it = iter(loader)
    while True:
        samples = []
        for _ in range(loader.num_workers):
            try:
                samples.append(next(loader_it))
            except StopIteration:
                pass
        if len(samples) == 0:
            break
        else:
            yield T.cat(samples, dim=0)


batch_size = 32
num_workers = 4
dataset = Dataset(batch_size)
per_worker = batch_size // num_workers
loader = tdata.DataLoader(dataset,
                          batch_size=per_worker,
                          num_workers=num_workers)

for batch in pooled_batches(loader):
    counts = defaultdict(int)
    for n in batch.numpy().flatten():
        counts[n] += 1
    print(dict(counts))

代码现在打印出来了

{0: 8, 1: 8, 2: 8, 3: 8}
{0: 8, 1: 8, 2: 8, 3: 8}
{0: 8, 1: 8, 2: 8, 3: 8}
{0: 8, 1: 8, 2: 8, 3: 8}

正如预期的那样。

Answer 2

请注意，指定了 batch_size 的 multi-worker DataLoader 将并行加载多个批次，因此基本上一个批次始终来自一个 worker。但是，通过执行以下操作，我已经实现了接近您要求的目标：

1. 将批量大小设为 1，因此每个工人一次只能产生一个样本

2. 编写一个遍历 DataLoader 的后台进程，一次获取 1 个样本并将其插入队列。这样就可以在队列中以不同的顺序排列样本，而不是使用特定于工人的批次

3. 有一个批处理机制，例如 collate_fn，它从队列中获取与您的批处理大小相等的样本并将其提供给模型

如果您想更具体地批量创建，比如从特定工作人员那里挑选特定样本，您可以有多个队列。应修改您的整理过程以考虑多个队列并从中进行选择。但我怀疑是否需要这种特殊性。