CommencerCommencer gratuitement

Création d'un DataLoader pour un train

Maintenant que nous avons divisé notre ensemble de données, nous devons définir un chargeur de données afin de fournir des lots de données pendant l'entraînement. DataLoader charge efficacement les données en mémoire et permet de les mélanger pour une meilleure généralisation. Dans cet exercice, vous allez compléter la méthode d'appel de la fonction « train_dataloader ».

Cet exercice fait partie du cours

Modèles d'IA évolutifs avec PyTorch Lightning

Afficher le cours

Instructions

  • Veuillez importer l'DataLoader.
  • Renvoie une instance d'DataLoader qui charge self.train_data, activant le brassage pour une meilleure généralisation.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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=____)
Modifier et exécuter le code