Aan de slagGa gratis aan de slag

PyTorch DataLoader

Goed gedaan met het definiëren van de Dataset-klasse! De WaterDataset die je zojuist hebt gemaakt, is nu beschikbaar om te gebruiken.

De volgende stap in het voorbereiden van de trainingsdata is het opzetten van een DataLoader. Een PyTorch DataLoader kan worden gemaakt op basis van een Dataset om data te laden, in batches te verdelen en desgewenst transformaties uit te voeren. Vervolgens levert hij een datasample aan dat klaar is voor training.

In deze oefening bouw je een DataLoader op basis van de WaterDataset. De DataLoader-klasse die je nodig hebt, is al voor je geïmporteerd uit torch.utils.data. Aan de slag!

Deze oefening maakt deel uit van de cursus

Gevorderde Deep Learning met PyTorch

Cursus bekijken

Oefeninstructies

  • Maak een instantie van WaterDataset uit water_train.csv en ken die toe aan dataset_train.
  • Maak dataloader_train op basis van dataset_train, met een batchgrootte van twee en willekeurig schudden van de samples.
  • Haal een batch met features en labels uit de DataLoader en print deze.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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)
Code bewerken en uitvoeren