python – 为什么pytorch DataLoader在numpy数组和列表上的行为有所不同？
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了python – 为什么pytorch DataLoader在numpy数组和列表上的行为有所不同？，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1724字，纯文字阅读大概需要3分钟。
内容图文
唯一的区别是传递给DataLoader的参数之一是“numpy.array”类型而另一个是“list”类型,但DataLoader给出了完全不同的结果.
您可以使用以下代码重现它：
from torch.utils.data import DataLoader,Dataset
import numpy as np
class my_dataset(Dataset):
def __init__(self,data,label):
self.data=data
self.label=label
def __getitem__(self, index):
return self.data[index],self.label[index]
def __len__(self):
return len(self.data)
train_data=[[1,2,3],[5,6,7],[11,12,13],[15,16,17]]
train_label=[-1,-2,-11,-12]
########################### Look at here:
test=DataLoader(dataset=my_dataset(np.array(train_data),train_label),batch_size=2)
for i in test:
print ("numpy data:")
print (i)
break
test=DataLoader(dataset=my_dataset(train_data,train_label),batch_size=2)
for i in test:
print ("list data:")
print (i)
break
结果是：
numpy data:
[tensor([[1, 2, 3],
[5, 6, 7]]), tensor([-1, -2])]
list data:
[[tensor([1, 5]), tensor([2, 6]), tensor([3, 7])], tensor([-1, -2])]
解决方法:
这是因为torch.utils.data.DataLoader中如何处理批处理.collat??e_fn参数决定样本中的样本如何合并为单个批处理.此参数的默认值未记录torch.utils.data.default_collate.
该函数通过假设数字/张量/ ndarray是批处理的原始数据和包含这些原语的列表/元组/ dicts作为要(递归地)保留的结构来处理批处理.这允许您进行如下语义批处理：
>(input_tensor,label_tensor) – > (batched_input_tensor,batched_label_tensor)
>([input_tensor_1,input_tensor_2],label_tensor) – > ([batched_input_tensor_1,batched_input_tensor_2],batched_label_tensor)
> {‘input’：input_tensor,’target’：target_tensor} – > {‘input’：batched_input_tensor,’target’：batched_target_tensor}
(左侧是>是数据集[i]的输出,而右侧是来自torch.utils.data.DataLoader的批量样本)
您的示例代码与上面的示例2类似：在对int进行批处理时保留列表结构.
内容总结
以上是互联网集市为您收集整理的python – 为什么pytorch DataLoader在numpy数组和列表上的行为有所不同？全部内容，希望文章能够帮你解决python – 为什么pytorch DataLoader在numpy数组和列表上的行为有所不同？所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。