データ処理の分離
データサンプルを処理するコードは、読みづらく保守しにくいものになりがちです。理想的には、データセットのコードとモデルトレーニングのコードは分離しておくべきであり、そうすることで可読性とモジュール性が向上します。PyTorchはtorch.utils.data.DataLoaderとtorch.utils.data.Datasetという2つのデータプリミティブを提供しており、これらを使うことで事前ロードされたデータセットや独自のデータを活用できます。Datasetはサンプルと対応するラベルを保持し、DataLoaderはDatasetをラップして反復可能なイテレータを提供し、サンプルへのアクセスを容易にします。
PyTorchのデータローダーとデータセット
PyTorchライブラリには、いくつかの事前ロード済みデータセット（FashionMNISTなど）が用意されています。これらはtorch.utils.data.Datasetのサブクラスとして実装されており、データセットごとに特定のメソッドが実装されています。これらのデータセットは、モデルのプロトタイピングやベンチマークに利用できます。 利用可能なデータセットについては、公式ドキュメントのImage Datasets、Text Datasets、Audio Datasetsを参照してください。
データセットの読み込み
以下は、TorchVisionからFashion-MNISTデータセットを読み込む示例です。Fashion-MNISTはZalandoの記事から生まれたデータセットであり、60000枚のトレーニングサンプルと10000枚のテストサンプルで構成されています。各サンプルは28×28のグレースケール画像と、10クラスのいずれかのラベルを含んでいます。
FashionMNIST Datasetを読み込む際の主要パラメータ：
root: トレーニング/テストデータの保存パスtrain: トレーニングセット还是テストセットを指定download=True: rootにデータが存在しない場合、网络からダウンロードtransformとtarget_transform: サンプルとラベルの変換処理を指定
import torch
from torch.utils.data import Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plt
train_dataset = datasets.FashionMNIST(
root='data',
train=True,
download=True,
transform=ToTensor()
)
test_dataset = datasets.FashionMNIST(
root='data',
train=False,
download=True,
transform=ToTensor()
)
ダウンロード出力：
ダウンロード詳細を表示
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz to data/FashionMNIST/raw/train-images-idx3-ubyte.gz Extracting data/FashionMNIST/raw/train-images-idx3-ubyte.gz to data/FashionMNIST/raw Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gz Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-labels-idx1-ubyte.gz to data/FashionMNIST/raw/train-labels-idx1-ubyte.gz Extracting data/FashionMNIST/raw/train-labels-idx1-ubyte.gz to data/FashionMNIST/raw Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gz Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-images-idx3-ubyte.gz to data/FashionMNIST/raw/t10k-images-idx3-ubyte.gz Extracting data/FashionMNIST/raw/t10k-images-idx3-ubyte.gz to data/FashionMNIST/raw Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gz Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz Extracting data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw
データセットの反復と可視化
Datasetはリスト同様にインデックスでアクセスできます：train_dataset[index]。matplotlibを使用して、トレーニングセットからのサンプルを可視化します。
class_names = {
0: "T-Shirt",
1: "Trouser",
2: "Pullover",
3: "Dress",
4: "Coat",
5: "Sandal",
6: "Shirt",
7: "Sneaker",
8: "Bag",
9: "Ankle Boot",
}
fig = plt.figure(figsize=(8, 8))
columns, rows = 3, 3
for i in range(1, columns * rows + 1):
random_idx = torch.randint(len(train_dataset), size=(1,)).item()
img, label = train_dataset[random_idx]
fig.add_subplot(rows, columns, i)
plt.title(class_names[label])
plt.axis("off")
plt.imshow(img.squeeze(), cmap="gray")
plt.show()
カスタムDatasetクラスの作成
カスタムDatasetクラスには3つのメソッドを実装する必要があります：__init__、__len__、__getitem__。以下の実装例では、FashionMNISTの画像がimg_dirディレクトリに保存され、対応するラベルがCSVファイル（annotations_file）に保存されているケースを想定しています。
次のセクションでは、各メソッドの詳細を説明します。
import os
import pandas as pd
from torchvision.io import read_image
class MyImageDataset(Dataset):
def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
self.df = pd.read_csv(annotations_file)
self.img_dir = img_dir
self.transform = transform
self.target_transform = target_transform
def __len__(self):
return len(self.df)
def __getitem__(self, idx):
img_path = os.path.join(self.img_dir, self.df.iloc[idx, 0])
image = read_image(img_path)
label = self.df.iloc[idx, 1]
if self.transform:
image = self.transform(image)
if self.target_transform:
label = self.target_transform(label)
return image, label
__init__メソッド
Datasetオブジェクトがインスタンス化されると、__init__メソッドが即座に実行されます。このメソッドでは、画像を含むディレクトリ、ラベルファイル、および2つの変換関数（詳細は次のセクション）を初期化します。
labels.csvファイルの書式例：
tshirt1.jpg, 0
tshirt2.jpg, 0
...
ankleboot999.jpg, 9
def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
self.df = pd.read_csv(annotations_file, names=['file_name', 'label'])
self.img_dir = img_dir
self.transform = transform
self.target_transform = target_transform
__len__メソッド
__len__メソッドは、データセットのサンプル数を返します。
def __len__(self):
return len(self.df)
__getitem__メソッド
__getitem__メソッドは、指定されたインデックスidxのサンプルをロードして返します。インデックスに基づいてディスク上の画像のパスを特定し、read_imageを使用してテンソルに変換します。次に、CSVファイルから対応するラベルを取得し、変換関数（存在する場合）を適用，最后返回画像とラベルを含むタプルを返します。
def __getitem__(self, idx):
img_path = os.path.join(self.img_dir, self.df.iloc[idx, 0])
image = read_image(img_path)
label = self.df.iloc[idx, 1]
if self.transform:
image = self.transform(image)
if self.target_transform:
label = self.target_transform(label)
return image, label
DataLoaderによるトレーニングデータの準備
Datasetは一度に1つのサンプルの特徴とラベルしか取得できません。モデルをトレーニングする際には，通常、複数のサンプルをミニバッチで渡し、エポックごとにデータをシャッフルして過学習を軽減し、Pythonのmultiprocessingを使用してデータ取得を高速化する必要があります。
DataLoaderはこれらの機能を提供するイテレータです。
from torch.utils.data import DataLoader
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=64, shuffle=True)
DataLoaderの反復
データセットをDataLoaderにロードしたため、必要に応じてデータセットを反復できます。各反復では、batch_featuresとbatch_labelsのバッチが返されます（それぞれbatch_size=64の特徴とラベルを含みます）。shuffle=Trueを指定したため、すべてのバッチを反復し終えた後、データはシャッフルされます。データロード順序の詳細な制御については、Samplerのドキュメントを参照してください。
batch_features, batch_labels = next(iter(train_loader))
print(f"特徴量のバッチ形状: {batch_features.size()}")
print(f"ラベルのバッチ形状: {batch_labels.size()}")
img = batch_features[0].squeeze()
label = batch_labels[0]
plt.imshow(img, cmap="gray")
plt.show()
print(f"ラベル: {label}")
出力：
特徴量のバッチ形状: torch.Size([64, 1, 28, 28])
ラベルのバッチ形状: torch.Size([64])
ラベル: 7