Kom igångKom igång gratis

PyTorch DataLoader

Bra jobbat med att definiera Dataset-klassen! WaterDataset som du just skapade är nu tillgänglig att använda.

Nästa steg i förberedelsen av träningsdata är att skapa en DataLoader. En PyTorch DataLoader kan skapas från ett Dataset för att läsa in data, dela upp det i batchar och utföra transformationer på datan om det behövs. Sedan levererar den ett dataexempel redo för träning.

I den här övningen skapar du en DataLoader baserad på WaterDataset. Klassen DataLoader som du behöver har redan importerats åt dig från torch.utils.data. Då kör vi!

Den här övningen är en del av kursen

Fördjupad djupinlärning med PyTorch

Visa kurs

Övningsinstruktioner

  • Skapa en instans av WaterDataset från water_train.csv och tilldela den till dataset_train.
  • Skapa dataloader_train baserad på dataset_train, med en batchstorlek på två och med blandning av samplen.
  • Hämta ett batch med särdrag och etiketter från DataLoader och skriv ut dem.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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)
Redigera och kör kod