数据集分布时如何划分

Question

现在我想把一个数据集分成两部分：训练集和验证集。我知道在单个 GPU 上我可以使用采样器执行此操作：

indices = list(range(len(train_data)))
train_loader = torch.utils.data.DataLoader(
      train_data, batch_size=args.batch_size,
      sampler=torch.utils.data.sampler.SubsetRandomSampler(indices[:split]),
      pin_memory=True, num_workers=2)

但是当我想使用torch.distributed以并行方式训练它时，我必须使用另一个采样器，即sampler = torch.utils.data.distributed.DistributedSampler(train_data)

那么两个采样器应该如何使用，才能同时划分数据集并分发？

非常感谢您的帮助！

Answer 1

您可以在创建 torch.utils.data.DataLoader 之前拆分 torch.utils.data.Dataset。

只需像这样使用torch.utils.data.random_split：

train, validation =
    torch.utils.data.random_split(
        dataset, 
        (len(dataset)-val_length, val_length)
    )

这将为您提供两个单独的数据集，您可以根据需要将其与数据加载器一起使用。

数据集分布时如何划分

How to divide the dataset when it is distributed

python

pytorch

distributed