在使用pytorch训练模型，经常需要加载大量图片数据，因此pytorch提供了好用的数据加载工具Dataloader。
为了实现小批量循环读取大型数据集，在Dataloader类具体实现中，使用了迭代器和生成器。
这一应用场景正是python中迭代器模式的意义所在，因此本文对Dataloader中代码进行解读，可以更好的理解python中迭代器和生成器的概念。
本文的内容主要有：
解释python中的迭代器和生成器概念
解读pytorch中Dataloader代码，如何使用迭代器和生成器实现数据加载
python迭代基础
python中围绕着迭代有以下概念：
可迭代对象 iterables
迭代器 iterator
生成器 generator
这三个概念互相关联，并不是孤立的。在可迭代对象的基础上发展了迭代器，在迭代器的基础上又发展了生成器。
学习这些概念的名词解释没有多大意义。编程中很多的抽象概念都是为了更好的实现某些功能，才去人为创造的协议和模式。
因此，要理解它们，需要探究概念背后的逻辑，为什么这样设计？要解决的真正问题是什么？在哪些场景下应用是最好的？
迭代模式首先要解决的基础问题是，需要按一定顺序获取集合内部数据，比如循环某个list。
当数据很小时，不会有问题。但当读取大量数据时，一次性读取会超出内存限制，因此想出以下方法：
把大的数据分成几个小块，分批处理
惰性的取值方式，按需取值
循环读数据可分为下面三种应用场景，对应着容器（可迭代对象），迭代器和生成器：
for x in container: 为了遍历python内部序列容器（如list）, 这些类型内部实现了__getitem__() 方法，可以从0开始按顺序遍历序列容器中的元素。
for x in iterator: 为了循环用户自定义的迭代器，需要实现__iter__和__next__方法，__iter__是迭代协议，具体每次迭代的执行逻辑在 __next__或next方法里
for x in generator: 为了节省循环的内存和加速，使用生成器来实现惰性加载，在迭代器的基础上加入了yield语句，最简单的例子是 range(5)
代码示例:
# 普通循环 for x in list numbers = [1, 2, 3,] for n in numbers: print(n) # 1,2,3 # for循环实际干的事情 # iter输入一个可迭代对象list，返回迭代器 # next方法取数据 my_iterator = iter(numbers) next(my_iterator) # 1 next(my_iterator) # 2 next(my_iterator) # 3 next(my_iterator) # StopIteration exception # 迭代器循环 for x in iterator for i,n in enumerate(numbers): print(i,n) # 0,1 / 1,3 / 2,3 # 生成器循环 for x in generator for i in range(3): print(i) # 0,1,2
上面示例代码中python内置函数iter和next的用法：
iter函数，调用__iter__，返回一个迭代器
next函数，输入迭代器，调用__next__，取出数据
比较容易混淆的是__iter__和__next__两个方法。它们的区别是：
__iter__是为了可以迭代，真正执行取数据的逻辑是__next__方法实现的，实际调用是通过next(iterator)完成
__iter__可以返回自身（return self），实际读取数据的实现放在__next__方法
__iter__可以和yield搭配，返回生成器对象
__iter__返回自身的做法有点类似 python中的类型系统。为了保持一致性，python中一切皆对象。
每个对象创建后，都有类型指针，而类型对象的指针指向元对象，元对象的指针指向自身。
生成器，是在__iter__方法中加入yield语句，好处有：
减少循环判断逻辑的复杂度
惰性取值，节省内存和时间
yield作用：
代替函数中的return语句
记住上一次循环迭代器内部元素的位置
三种循环模式常用函数
for x in container 方法:
list, deque, …
set, frozensets, …
dict, defaultdict, OrderedDict, Counter, …
tuple, namedtuple, …
str
for x in iterator 方法:
enumerate() # 加上list的index
sorted() # 排序list
reversed() # 倒序list
zip() # 合并list
for x in generator 方法：
range()
map()
filter()
reduce()
[x for x in list(...)]
Dataloder源码分析
pytorch采用 for x in iterator 模式，从Dataloader类中读取数据。
为了实现该迭代模式，在Dataloader内部实现__iter__方法，实际返回的是_DataLoaderIter类。
_DataLoaderIter类里面，实现了 __iter__方法，返回自身，具体执行读数据的逻辑，在__next__方法中。
以下代码只截取了单线程下的数据读取。
class DataLoader(object): r""" Data loader. Combines a dataset and a sampler, and provides single- or multi-process iterators over the dataset. """ def __init__(self, dataset, batch_size=1, shuffle=False, ...): self.dataset = dataset self.batch_sampler = batch_sampler ... def __iter__(self): return _DataLoaderIter(self) def __len__(self): return len(self.batch_sampler) class _DataLoaderIter(object): r"""Iterates once over the DataLoader's dataset, as specified by the sampler""" def __init__(self, loader): self.sample_iter = iter(self.batch_sampler) ... def __next__(self): if self.num_workers == 0: # same-process loading indices = next(self.sample_iter) # may raise StopIteration batch = self.collate_fn([self.dataset[i] for i in indices]) if self.pin_memory: batch = pin_memory_batch(batch) return batch ... def __iter__(self): return self
Dataloader类中读取数据Index的方法，采用了 for x in generator 方式，但是调用采用iter和next函数
构建随机采样类RandomSampler，内部实现了 __iter__方法
__iter__方法内部使用了 yield，循环遍历数据集，当数量达到batch_size大小时，就返回
实例化随机采样类，传入iter函数，返回一个迭代器
next会调用随机采样类中生成器，返回相应的index数据
class RandomSampler(object): """random sampler to yield a mini-batch of indices.""" def __init__(self, batch_size, dataset, drop_last=False): self.dataset = dataset self.batch_size = batch_size self.num_imgs = len(dataset) self.drop_last = drop_last def __iter__(self): indices = np.random.permutation(self.num_imgs) batch = [] for i in indices: batch.append(i) if len(batch) == self.batch_size: yield batch batch = [] ## if images not to yield a batch if len(batch)>0 and not self.drop_last: yield batch def __len__(self): if self.drop_last: return self.num_imgs // self.batch_size else: return (self.num_imgs + self.batch_size - 1) // self.batch_size batch_sampler = RandomSampler(batch_size. dataset) sample_iter = iter(batch_sampler) indices = next(sample_iter)
总结
本文总结了python中循环的三种模式：
for x in container 可迭代对象
for x in iterator 迭代器
for x in generator 生成器
pytorch中的数据加载模块 Dataloader，使用生成器来返回数据的索引，使用迭代器来返回需要的张量数据，可以在大量数据情况下，实现小批量循环迭代式的读取，避免了内存不足问题。
参考文章
迭代器和生成器
流畅的Python-第14章：可迭代的对象、迭代器和生成器
pytorch-dataloader源码
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持猪先飞。