PyTorch DataLoader
Bon travail de définition de la classe Dataset ! Le site WaterDataset que vous venez de créer est maintenant à votre disposition.
L'étape suivante de la préparation des données d'apprentissage consiste à mettre en place un site DataLoader. Un PyTorch DataLoader peut être créé à partir d'un Dataset pour charger des données, les diviser en lots et effectuer des transformations sur les données si vous le souhaitez. Il produit ensuite un échantillon de données prêt pour la formation.
Dans cet exercice, vous allez construire un DataLoader basé sur le WaterDataset. La classe DataLoader dont vous aurez besoin a déjà été importée pour vous de torch.utils.data. Allons-y !
Cet exercice fait partie du cours
Apprentissage profond intermédiaire avec PyTorch
Instructions
- Créez une instance de
WaterDatasetà partir dewater_train.csv, en l'assignant àdataset_train. - Créez
dataloader_trainsur la base dedataset_train, en utilisant une taille de lot de deux et en mélangeant les échantillons. - Obtenez un lot de caractéristiques et d'étiquettes à partir du DataLoader et imprimez-les.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Create an instance of the WaterDataset
dataset_train = ____(____)
# Create a DataLoader based on dataset_train
dataloader_train = ____(
____,
batch_size=____,
shuffle=____,
)
# Get a batch of features and labels
features, labels = ____
print(features, labels)