Zacznij terazZacznij za darmo

Tworzenie DataLoadera dla danych treningowych

Skoro podzieliliśmy już zbiór danych, musimy zdefiniować data loader, który będzie dostarczał partie danych podczas treningu. DataLoader sprawnie wczytuje dane do pamięci i umożliwia ich losowanie, co poprawia generalizację modelu. W tym ćwiczeniu uzupełnisz metodę train_dataloader.

To ćwiczenie jest częścią kursu

Skalowalne modele AI z PyTorch Lightning

Zobacz kurs

Instrukcje do ćwiczenia

  • Zaimportuj DataLoader.
  • Zwróć DataLoader, który wczytuje self.train_data z włączonym losowaniem kolejności danych, aby poprawić generalizację.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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=____)
Edytuj i uruchom kod