torch.utils.data

class torch.utils.data.Dataset

表示 \(Dataset\) 的抽象类。

所有其他数据集都应该进行子类化。所以子类应该覆写 __len__和__getitem__，前者提供了数据集的大小，后者支持整数索引，范围从 \(0\) 到 \(len(self)\)。

class torch.utils.data.TensorFataset(data_tensor, target_tensor)

包装数据和目标张量的数据集。

通过沿着第一个维度索引两个张量来恢复每个样本。

参数：

• data_tensor(Tensor)：包含样本数据。
• target_tensor(Tensor)：包含样本标签。

class torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=False, sampler=None,
                                  num_workers=0, collate_fn=<function default_collate>,
                                  pin_memory=False, drop_last=False)

数据加载器。组合数据集合采样器，并在数据集上提供单进程或多进程迭代器。

参数：

• dataset (\(Dataset\))：加载的数据集。

• batch_size (\(int,optional\))：每个 \(batch\) 加载多少个样本（默认：1）。

• shuffle (\(bool, optional\))：设置为 \(True\) 时会在每个 \(epoch\) 重新打乱数据（默认：\(False\)）。

• sample (\(Sample,optional\))：定义从数据集中提取样本的策略。如果指定，则忽略shuffle参数。

• num_workers (\(int,optional\))：用多少个子进程加载数据。\(0\) 表示数据将在主进程中加载（默认：\(0\)）。

• collate_fn (\(callable,optional\))

• pin_memory (\(bool, optional\))

• drop_last (\(bool,optional\))：如果数据集大小不能被 \(batch\ size\) 整除，则设置为 \(True\) 后可删除最后一个不完整的 \(batch\)。如果设为 \(False\) 并且数据集大小不能被 \(batch\ size\) 整除，则最后一个 \(batch\) 将更小。（默认：\(False\)）。

class torch.utils.data.sampler.Sampler(data_source)

所有采样器的基础类。

每个采样器子类必须提供一个 __iter__ 方法，提供一种迭代数据集元素的索引的方法，以及返回迭代器长度的 __len__ 方法。

class torch.utils.data.sampler.SequentialSampler(data_source)

样本元素顺序排列，始终以相同的顺序。

参数：

data_source(\(Dataset\))：采样的数据集。

class torch.utils.data.sampler.RandomSampler(data_source)

样本元素随机，没有替换。

参数：

data_source(\(Dataset\))：采样的数据集。

class torch.utils.data.sampler.SubsetRandomSampler(indices)

样本元素从指定的索引列表中随机抽取，没有替换。

参数：

indices(\(list\))：索引的列表。

class torch.utils.data.sampler.WeightedRandomSampler(weights, 
                                                     num_samples, 
                                                     replacement=True)

样本元素来自于 \([0,..,len(weights)-1]\)，给定概率（\(weights\)）。

参数：

weights(\(list\))： 权重列表。没必要加起来为1 - num_samples (int) – 抽样数量