LoslegenKostenlos loslegen

Erstellen eines Zug-DataLoaders

Nachdem wir unseren Datensatz aufgeteilt haben, müssen wir einen Datenlader definieren, der während des Trainings Daten in Stapeln bereitstellt. „ DataLoader “ lädt Daten effizient in den Arbeitsspeicher und ermöglicht das Mischen für eine bessere Verallgemeinerung. In dieser Übung machst du die Methode „ train_dataloader “ fertig.

Diese Übung ist Teil des Kurses

Skalierbare KI-Modelle mit PyTorch Lightning

Kurs anzeigen

Anleitung zur Übung

  • Importiere die Datei „ DataLoader “.
  • Gib einen „ DataLoader “ zurück, der „ self.train_data “ lädt und Shuffling für eine bessere Verallgemeinerung aktiviert.

Interaktive Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Import libraries
from torch.utils.data import ____
import lightning.pytorch as pl

class LoaderDataModule(pl.LightningDataModule):
    def __init__(self):
        super().__init__()
        self.train_data = None
        self.val_data = None
    def setup(self, stage=None):
        self.train_data, self.val_data = random_split(dataset, [80, 20])
    def train_dataloader(self):
      	# Complete DataLoader
        return ____(____, batch_size=16, shuffle=____)
Code bearbeiten und ausführen