训练不同大小的小批量

Question

我正在尝试在 PyTorch 中针对已分桶到特定维度的图像训练深度学习模型。我想使用小批量训练我的模型，但小批量的大小并不能整齐地划分每个桶中的示例数量。

我在中看到的一个解决方案是用额外的空白填充图像（即时或在训练开始时一次性全部填充），但我不想这样做。相反，我想在训练期间允许批次大小灵活。

具体来说，如果 N 是存储桶中的图像数量，而 B 是批量大小，那么对于该存储桶，如果 B 划分 N，否则 N // B + 1 批次。最后一批可以少于 B 个示例。

举个例子，假设我有索引 [0, 1, ..., 19]（含），并且我想使用 3 的批量大小。

索引 [0, 9] 对应于桶 0 中的图像（形状 (C, W1, H1)）
索引 [10, 19] 对应于存储桶 1 中的图像（形状 (C, W2, H2)）

（所有图像的通道深度相同）。那么可接受的索引分区将是

batches = [
    [0, 1, 2], 
    [3, 4, 5], 
    [6, 7, 8], 
    [9], 
    [10, 11, 12], 
    [13, 14, 15], 
    [16, 17, 18], 
    [19]
]

我更愿意分别处理索引为 9 和 19 的图像，因为它们具有不同的尺寸。

查看 PyTorch 的文档，我找到了生成小批量索引列表的 BatchSampler class。我做了一个自定义 Sampler class 来模拟上述索引的分区。如果有帮助，这是我的实现：

class CustomSampler(Sampler):

    def __init__(self, dataset, batch_size):
        self.batch_size = batch_size
        self.buckets = self._get_buckets(dataset)
        self.num_examples = len(dataset)

    def __iter__(self):
        batch = []
        # Process buckets in random order
        dims = random.sample(list(self.buckets), len(self.buckets))
        for dim in dims:
            # Process images in buckets in random order
            bucket = self.buckets[dim]
            bucket = random.sample(bucket, len(bucket))
            for idx in bucket:
                batch.append(idx)
                if len(batch) == self.batch_size:
                    yield batch
                    batch = []
            # Yield half-full batch before moving to next bucket
            if len(batch) > 0:
                yield batch
                batch = []

    def __len__(self):
        return self.num_examples

    def _get_buckets(self, dataset):
        buckets = defaultdict(list)
        for i in range(len(dataset)):
            img, _ = dataset[i]
            dims = img.shape
            buckets[dims].append(i)
        return buckets

但是，当我使用自定义 Sampler class 时，我生成了以下错误：

Traceback (most recent call last):
    File "sampler.py", line 143, in <module>
        for i, batch in enumerate(dataloader):
    File "/home/roflcakzorz/anaconda3/lib/python3.6/site-packages/torch/utils/data/dataloader.py", line 263, in __next__
        indices = next(self.sample_iter)  # may raise StopIteration
    File "/home/roflcakzorz/anaconda3/lib/python3.6/site-packages/torch/utils/data/sampler.py", line 139, in __iter__
        batch.append(int(idx))
TypeError: int() argument must be a string, a bytes-like object or a number, not 'list'

DataLoader class 似乎希望传递索引，而不是索引列表。

我不应该为此任务使用自定义 Sampler class 吗？我还考虑过自定义 collate_fn 以传递给 DataLoader，但我不相信使用这种方法我可以控制允许哪些索引在同一个小批量中。任何指导将不胜感激。

Answer 1

每个样本是否有 2 个网络（cnn 内核大小必须固定）。如果是，只需将上面的 custom_sampler 传递给 DataLoader class 的 batch_sampler args。这将解决问题。

Answer 2

您好，因为每个批次都应该包含相同尺寸的图像，所以您的 CustomSampler 工作得很好，它需要作为参数传递给 mx.gluon.data.DataLoader，关键字 batch_sampler.但是，如文档中所述，请记住这一点：

"Do not specify shuffle, sampler, and last_batch if batch_sampler is specified"

训练不同大小的小批量

Training on minibatches of varying size

python

deep-learning

pytorch

mini-batch