将自定义 PyTorch 数据集拆分为训练加载器和验证加载器：两者的长度相同，即使数据集已拆分？

Question

我正在尝试将其中一个 Pytorch 自定义数据集 (MNIST) 拆分为训练集和验证集，如下所示：

def get_train_valid_splits(data_dir,
                           batch_size,
                           random_seed=1,
                           valid_size=0.2,
                           shuffle=True,
                           num_workers=4,
                           pin_memory=False):

    normalize = transforms.Normalize((0.1307,), (0.3081,))  # MNIST

    # define transforms
    valid_transform = transforms.Compose([
            transforms.ToTensor(),
            normalize
        ])

        train_transform = transforms.Compose([
            transforms.ToTensor(),
            normalize
        ])

    # load the dataset
    train_dataset = datasets.MNIST(root=data_dir, train=True,
                download=True, transform=train_transform)

    valid_dataset = datasets.MNIST(root=data_dir, train=True,
                download=True, transform=valid_transform)

    dataset_size = len(train_dataset)
    indices = list(range(dataset_size))
    split = int(np.floor(valid_size * dataset_size))

    
    if shuffle == True:
        np.random.seed(random_seed)
        np.random.shuffle(indices)
    

    train_idx, valid_idx = indices[split:], indices[:split]

    train_sampler = sampler.SubsetRandomSampler(train_idx)
    valid_sampler = sampler.SubsetRandomSampler(valid_idx)

    print(len(train_sampler))
    print(len(valid_sampler))

    train_loader = torch.utils.data.DataLoader(train_dataset,
                    batch_size=batch_size, sampler=train_sampler,
                    num_workers=num_workers, pin_memory=pin_memory)

    valid_loader = torch.utils.data.DataLoader(valid_dataset,
                    batch_size=batch_size, sampler=valid_sampler,
                    num_workers=num_workers, pin_memory=pin_memory)

    print(len(train_loader.dataset))
    print(len(valid_loader.dataset))

    return (train_loader, valid_loader)

调用该函数后，我注意到要采样的索引结果看起来正确，48000 和 12000：

print(len(train_sampler))
print(len(valid_sampler))

但是当我查看与 train_loader 和 valid_loader 关联的数据集的长度时：

print(len(train_loader.dataset))
print(len(valid_loader.dataset))

两者的长度相同：60000！知道这里发生了什么吗？为什么它给两者的长度相同，即使我清楚地按索引分割它？

Answer 1

train_loader 和 valid_loader 长度相同的原因是因为您对 train_dataset 和 valid_dataset 使用了相同的数据。

你想要

valid_dataset = datasets.MNIST(root=data_dir, train=False,
                               download=True, transform=valid_transform)

（不是train=True）下载验证集。

Answer 2

这是因为数据加载器不会修改您传递给它的数据集，而是在您尝试通过迭代访问数据时“应用”诸如批量大小、采样器等之类的内容。你的问题是你使用len(loader.dataset) 它给你提供的数据集的长度没有修改，当你真的想要len(loader) 这是“应用”诸如批量大小和采样器之类的东西之后数据集的长度。

import torch
import numpy as np

dataset = np.random.rand(100,200)
sampler = torch.utils.data.SubsetRandomSampler(list(range(70)))

loader = torch.utils.data.DataLoader(dataset, sampler=sampler)
print(len(loader)) 
>>> 70
print(len(loader.dataset))
>>> 100

注意：len的结果会受batch size的影响：

# with batch size
loader = torch.utils.data.DataLoader(dataset, sampler=sampler, batch_size=2)
print(len(loader)) 
>>> 35
print(len(loader.dataset))
>>> 100