НачатьНачать бесплатно

Создание DataLoader для обучения

Теперь, когда набор данных разбит на части, нам нужно определить загрузчик данных, который будет подавать пакеты данных в процессе обучения. DataLoader эффективно загружает данные в память и поддерживает перемешивание для улучшения обобщающей способности модели. В этом упражнении вы завершите реализацию метода train_dataloader.

Это упражнение является частью курса

Масштабируемые модели ИИ с PyTorch Lightning

Посмотреть курс

Инструкции к упражнению

  • Импортируйте DataLoader.
  • Верните DataLoader, который загружает self.train_data с включённым перемешиванием для улучшения обобщающей способности модели.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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=____)
Редактировать и запускать код