ПочатиПочніть безкоштовно

PyTorch DataLoader

Чудово впоралися з визначенням класу Dataset! Створений вами WaterDataset уже доступний для використання.

Наступний крок у підготовці тренувальних даних — налаштувати DataLoader. У PyTorch DataLoader можна створити з Dataset, щоб завантажувати дані, ділити їх на мініпакети (batches) і за потреби виконувати перетворення. Після цього він видає зразок даних, готовий до тренування.

У цій вправі ви побудуєте DataLoader на основі WaterDataset. Клас DataLoader, який вам знадобиться, уже імпортовано з torch.utils.data. Почнімо!

Ця вправа є частиною курсу

Середній рівень Deep Learning з PyTorch

Переглянути курс

Інструкції до вправи

  • Створіть екземпляр WaterDataset з water_train.csv і присвойте його змінній dataset_train.
  • Створіть dataloader_train на основі dataset_train, використавши розмір мініпакета два та перемішування вибірок.
  • Отримайте мініпакет ознак і міток із DataLoader і виведіть їх на друк.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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)
Редагувати та запускати код