[Pytorch] Dataset과 Dataloader

데이터 샘플을 처리하는 코드는 지저분(messy)하고 유지보수가 어려울 수 있다. 더 나은 가독성(readability)과 모듈성(modularity)을 위해 데이터셋 코드를 모델 학습 코드로부터 분리하는 것이 이상이다. PyTorch는 torch.utils.data.DataLoader와 torch.utils.data.Dataset의 두 가지 데이터 기본 요소를 제공하여 미리 준비된(pre-loaded) 데이터셋 뿐만 아니라 가지고 있는 데이터를 사용할 수 있도록 한다. Dataset은 샘플과 정답(label)을 저장하고, DataLoader는 Dataset을 샘플에 쉽게 접근할 수 있도록 순회 가능한 객체(iterable)로 감싼다.

 

PyTorch의 도메인 특화 라이브러리들은 (FashionMNIST와 같은) 다양한 미리 준비해둔(pre-loaded) 데이터셋을 제공한다. 데이터셋은 torch.utils.data.Dataset의 하위 클래스로 개별 데이터를 특정하는 함수가 구현되어 있다. 이러한 데이터셋은 모델을 만들어보고(prototype) 성능을 측정(benchmark)하는데 사용할 수 있다. 

데이터셋 불러오기

TorchVision 에서 Fashion-MNIST 데이터셋을 불러오는 예제를 살펴보자. Fashion-MNIST는 Zalando의 기사 이미지 데이터셋으로 60,000개의 학습 예제와 10,000개의 테스트 예제로 이루어져 있다. 각 예제는 흑백(grayscale)의 28x28 이미지와 10개 분류(class) 중 하나인 정답(label)으로 구성된다. 다음 매개변수들을 사용하여 FashionMNIST 데이터셋을 불러온다.

• root는 학습/테스트 데이터가 저장되는 경로이다.
• train은 학습용 또는 테스트용 데이터셋 여부를 지정한다.
• download=True는 root에 데이터가 없는 경우 인터넷에서 다운로드한다.
• transform 과 target_transform 은 특징(feature)과 정답(label) 변형(transform)을 지정한다.

import torch
from torch.utils.data import Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plt


training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)

데이터셋을 순회하고 시각화하기

Dataset에 리스트(list)처럼 직접 접근(index)할 수 있다.  training_data[index]. matplotlib을 사용하여 학습 데이터의 일부를 시각화해보자.

labels_map = {
    0: "T-Shirt",
    1: "Trouser",
    2: "Pullover",
    3: "Dress",
    4: "Coat",
    5: "Sandal",
    6: "Shirt",
    7: "Sneaker",
    8: "Bag",
    9: "Ankle Boot",
}
figure = plt.figure(figsize=(8, 8))
cols, rows = 3, 3
for i in range(1, cols * rows + 1):
    sample_idx = torch.randint(len(training_data), size=(1,)).item()
    img, label = training_data[sample_idx]
    figure.add_subplot(rows, cols, i)
    plt.title(labels_map[label])
    plt.axis("off")
    plt.imshow(img.squeeze(), cmap="gray")
plt.show()

파일에서 사용자 정의 데이터셋 만들기

사용자 정의 Dataset 클래스는 반드시  __init__, __len__, __getitem__ 3개 함수를 구현해야 한다. 아래 구현을 살펴보면 FashionMNIST 이미지들은 img_dir디렉토리에 저장되고, 정답은 annotations_file.csv파일에 별도로 저장된다.

import os
import pandas as pd
from torchvision.io import read_image

class CustomImageDataset(Dataset):
    def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
        self.img_labels = pd.read_csv(annotations_file)
        self.img_dir = img_dir
        self.transform = transform
        self.target_transform = target_transform

    def __len__(self):
        return len(self.img_labels)

    def __getitem__(self, idx):
        img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
        image = read_image(img_path)
        label = self.img_labels.iloc[idx, 1]
        if self.transform:
            image = self.transform(image)
        if self.target_transform:
            label = self.target_transform(label)
        return image, label

__init__

__init__함수는 Dataset 객체가 생성(instantiate)될 때 한 번만 실행된다. 여기서는 이미지와 주석 파일(annotation_file)이 포함된 디렉토리와 두가지 변형(transform)을 초기화한다.

__len__

__len__함수는 데이터셋의 샘플 개수를 반환한다.

__getitem__

__getitem__함수는 주어진 인덱스 idx에 해당하는 샘플을 데이터셋에서 불러오고 반환한다. 인덱스를 기반으로, 디스크에서 이미지의 위치를 식별하고, read_image를 사용하여 이미지를 텐서로 변환하고, self.img_labels의 csv 데이터로부터 해당하는 정답(label)을 가져오고, (해당하는 경우) 변형(transform) 함수들을 호출한 뒤, 텐서 이미지와 라벨을 반환한다.

DataLoader로 학습용 데이터 준비하기

Dataset은 데이터셋의 특징(feature)을 가져오고 하나의 샘플에 정답(label)을 지정하는 일을 한 번에 한다. 모델을 학습할 때, 일반적으로 샘플들을 “미니배치(minibatch)”로 전달하고, 매 에폭(epoch)마다 데이터를 다시 섞어서 과적합(overfit)을 막고, Python의 multiprocessing을 사용하여 데이터 검색 속도를 높이려고 한다.

 

DataLoader는 간단한 API로 이러한 복잡한 과정들을 추상화한 순회 가능한 객체(iteratable)이다.

from torch.utils.data import DataLoader

train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)

DataLoader를 통해 순회하기(iterate)

DataLoader에 데이터셋을 불러온 뒤에는 필요에 따라 데이터셋을 순회(iterate)할 수 있다. 아래의 각 순회(iteration)는 (각각 batch_size=64의 특징(feature)과 정답(label)을 포함하는) train_features와 train_labels의 묶음(batch)을 반환한다. shuffle=True로 지정했으므로, 모든 배치를 순회한 뒤 데이터가 섞인다. 

# 이미지와 정답(label)을 표시한다.
train_features, train_labels = next(iter(train_dataloader))
print(f"Feature batch shape: {train_features.size()}")
print(f"Labels batch shape: {train_labels.size()}")
img = train_features[0].squeeze()
label = train_labels[0]
plt.imshow(img, cmap="gray")
plt.show()
print(f"Label: {label}")

Out:

Feature batch shape: torch.Size([64, 1, 28, 28])
Labels batch shape: torch.Size([64])
Label: 4

Custom Dataloader for variable length sequence

길이가 변하는 input을 처리하기 위해서 dataloader의 collate_fn을 사용자정의 함수로 다시 재정의하여 사용할 수 있다. 코드로 예시를 들어보자.

import torch
import torch.utils.data as data

class CustomDataLoader(data.DataLoader):
    def __init__(self, *args, **kwargs):
        super(CustomDataLoader, self).__init__(*args, **kwargs)
        self.collate_fn = _collate_fn


def _collate_fn(batch):
    
    """
    Args:
        batch: list, len(batch) = 1. See AudioDataset.__getitem__()
    Returns:
        mix_torch: B x ch x T, torch.Tensor
        ilens_torch : B, torch.Tentor
        src_torch: B x C x T, torch.Tensor
        
    ex)
    torch.Size([3, 6, 64000])
    tensor([64000, 64000, 64000], dtype=torch.int32)
    torch.Size([3, 2, 64000])
    """
    x_tensor=[]
    y_tensor=[]
    for i in batch[0][0]:
    	x = lbrosa.load("~.wav", sr)
        x = torch.from_numpy(pad_sequence(x))
        y = torch.from_numpy(np.load("~.npy"))
        x_tensor.append(x)
        y_tensor.append(y)
        
 
    return x_tensor, y_tensor

길이가 다른 input을 batch로 만들기 위해 배치를 만들어주는 collate_fn을 조작할 필요가 있다. 새로 정의한 _collate_fn을 아래와 같이 다시 dataloader의 collate_fn에 집어넣어주면 된다.

class CustomDataLoader(data.DataLoader):
    def __init__(self, *args, **kwargs):
        super(CustomDataLoader, self).__init__(*args, **kwargs)
        self.collate_fn = _collate_fn

그리고 새로 _collate_fn함수를 정의했다. 내부 구현은 간략하게 형식만 맞추었고 사용자 마음대로 설정할 수 있다. batch를 input으로 받기 때문에 batch_size =2일 때, [sample1, sample2] 이렇게 list형식으로 input이 들어온다. 내가 구현한 것 처럼 여기서 바로 data를 불러올 경우 dataset에서 파일 경로를 return하도록 코드를 짜면 되고 pad_sequence는 구현을 따로 넣지 않았지만 따로 구현해서 길이를 맞춰주면 된다. 이외에도 다양한 방식으로 output을 만들 수 있다.

def _collate_fn(batch):
    
    """
    Args:
        batch: list, len(batch) = 1. See AudioDataset.__getitem__()
    Returns:
        x_tensor : B, ch, T ; tensor
        y_tensor : B, K ; tensor

        
    ex)
    torch.Size([3, 6, 64000])
    torch.Size([3, 20])
    """
    x_tensor=[]
    y_tensor=[]
    for i in batch[0][0]:
    	x = lbrosa.load("~.wav", sr)
        x = torch.from_numpy(pad_sequence(x))
        y = torch.from_numpy(np.load("~.npy"))
        x_tensor.append(x)
        y_tensor.append(y)
        
 
    return x_tensor, y_tensor

 

참고: https://tutorials.pytorch.kr/beginner/basics/data_tutorial.html, 
https://sanghyu.tistory.com/90