CommencezCommencez gratuitement

Utiliser DataLoader

La classe DataLoader est essentielle pour traiter efficacement de grands jeux de données. Elle accélère l'entraînement, optimise l'utilisation de la mémoire et stabilise les mises à jour du gradient, ce qui rend les modèles d'apprentissage profond plus performants.

Vous allez maintenant créer un DataLoader PyTorch à partir de dataset (de l'exercice précédent) et l'observer en action.

Cette activité fait partie du cours

Introduction au Deep Learning avec PyTorch

Voir le cours

Instructions de l’exercice

  • Importez le module requis.
  • Créez un DataLoader à partir de dataset, en définissant une taille de lot de deux et en activant le mélange aléatoire.
  • Itérez sur le DataLoader et affichez chaque lot d'entrées et d'étiquettes.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

from torch.utils.data import ____

# Create a DataLoader
dataloader = ____

# Iterate over the dataloader
for batch_inputs, batch_labels in dataloader:
    print('batch_inputs:', batch_inputs)
    print('batch_labels:', batch_labels)
Modifier et exécuter le code