對(duì)shuffle=True的理解：
之前不了解shuffle的實(shí)際效果，假設(shè)有數(shù)據(jù)a,b,c,d，不知道batch_size=2后打亂，具體是如下哪一種情況：
1.先按順序取batch，對(duì)batch內(nèi)打亂，即先取a,b，a,b進(jìn)行打亂；
2.先打亂，再取batch。
證明是第二種
shuffle (bool, optional): set to ``True`` to have the data reshuffled
at every epoch (default: ``False``).
if shuffle:
sampler = RandomSampler(dataset) #此時(shí)得到的是索引
補(bǔ)充：簡(jiǎn)單測(cè)試一下pytorch dataloader里的shuffle=True是如何工作的
看代碼吧~
import sys
import torch
import random
import argparse
import numpy as np
import pandas as pd
import torch.nn as nn
from torch.nn import functional as F
from torch.optim import lr_scheduler
from torchvision import datasets, transforms
from torch.utils.data import TensorDataset, DataLoader, Dataset
class DealDataset(Dataset):
def __init__(self):
xy = np.loadtxt(open('./iris.csv','rb'), delimiter=',', dtype=np.float32)
#data = pd.read_csv("iris.csv",header=None)
#xy = data.values
self.x_data = torch.from_numpy(xy[:, 0:-1])
self.y_data = torch.from_numpy(xy[:, [-1]])
self.len = xy.shape[0]
def __getitem__(self, index):
return self.x_data[index], self.y_data[index]
def __len__(self):
return self.len
dealDataset = DealDataset()
train_loader2 = DataLoader(dataset=dealDataset,
batch_size=2,
shuffle=True)
#print(dealDataset.x_data)
for i, data in enumerate(train_loader2):
inputs, labels = data
#inputs, labels = Variable(inputs), Variable(labels)
print(inputs)
#print("epoch：", epoch, "的第" , i, "個(gè)inputs", inputs.data.size(), "labels", labels.data.size())
簡(jiǎn)易數(shù)據(jù)集
shuffle之后的結(jié)果，每次都是隨機(jī)打亂，然后分成大小為n的若干個(gè)mini-batch.
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:- Pytorch dataloader在加載最后一個(gè)batch時(shí)卡死的解決
- pytorch鎖死在dataloader(訓(xùn)練時(shí)卡死)
- Pytorch 如何加速Dataloader提升數(shù)據(jù)讀取速度
- pytorch DataLoader的num_workers參數(shù)與設(shè)置大小詳解
- Pytorch數(shù)據(jù)讀取之Dataset和DataLoader知識(shí)總結(jié)
- pytorch中DataLoader()過程中遇到的一些問題
