Dataset类的介绍在此之前，我们已经将实验中产生的时序信号经过数据重构算法处理转化为了二维矩阵，也就是“类图像”的格式，四个类别一共有10920张图片，图片大小为100*100像素。我们初步将这些数据划分为训练集：测试集=5:1，接下来我们就要让PyTorch能够读取这些数据(初学pytorch，切勿好高骛远)，本篇博文主要介绍pytorch读取图片的机制和流程，然后按流程编写代码。
PyTorch读取图片，主要是通过Dataset类，所以先简单了解一下Dataset类。Dataset类作为所有的datasets的基类存在，所有的datasets都需要继承它，类似于C++中的虚基类。
源码如下：
class Dataset(object): """An abstract class representing a Dataset.All other datasets should subclass it. All subclasses should override ``__len__``, that provides the size of the dataset, and ``__getitem__``, supporting integer indexing in range from 0 to len(self) exclusive. """ def __getitem__(self, index): raise NotImplementedError def __len__(self): raise NotImplementedError def __add__(self, other): return ConcatDataset([self, other])
这里重点看 getitem函数，getitem接收一个index，然后返回图片数据和标签，这个index通常指的是一个list的index，这个list的每个元素就包含了图片数据的路径和标签信息。
然而，如何制作这个list呢，通常的方法是将图片的路径和标签信息存储在一个txt中，然后从该txt中读取。那么读取自己数据的基本流程就是：
- 制作存储了图片的路径和标签信息的txt
- 将这些信息转化为list，该list每一个元素对应一个样本
- 通过getitem函数，读取数据和标签，并返回数据和标签
在训练代码里是感觉不到这些操作的，只会看到通过DataLoader就可以获取一个batch的数据，其实触发去读取图片这些操作的是DataLoader里的iter(self)，后面会详细讲解读取过程。在本小节，主要讲Dataset子类。
因此，要让PyTorch能读取自己的数据集，只需要两步：
- 制作图片数据的索引
- 构建Dataset子类
这个比较简单，就是读取图片路径，标签，保存到List文件中，这里注意格式就好 特别注意的是，List中的路径，实在当前python所处文件夹下的data下面！运行代码后生成的数据是这样的：
下面是本实验构建的Dataset子类——MyDataset类：
# coding: utf-8
from PIL import Image
from torch.utils.data import Dataset
class MyDataset(Dataset):
def __init__(self, txt_path, transform = None, target_transform = None): fh = open(txt_path, 'r')
imgs = []
for line in fh:
line = line.rstrip()
words = line.split()
imgs.append((words[0], int(words[1])))
self.imgs = imgs
self.transform = transform
self.target_transform = target_transform
def __getitem__(self, index):
fn, label = self.imgs[index]
img = Image.open(fn).convert('L')
if self.transform is not None:
img = self.transform(img)
return img, label
def __len__(self):
return len(self.imgs)
首先看看初始化，上一步我们准备好了List文件,里面包含了获取图片的路径和标签，并且存储在self.imgs中，self.imgs就是上面提到的list，其中一个元素对应一个图片样本的路径和标签，其实就是下面输出中的一行。
初始化中还会初始化transform，transform是一个Compose类型，里边有一个list，list中就会定义了各种对图像进行处理的操作，可以设置减均值，除标准差，随机裁剪，旋转，翻转，仿射变换等操作。
在这里我们可以知道，一张图片读取进来之后，会经过数据处理(数据增强)，最终变成输入模型的数据。这里就有一点需要注意，PyTorch的数据增强是将原始图片进行了处理，并不会生成新的一份图片，而是“覆盖”原图，当采用randomcrop之类的随机操作时，每个epoch输入进来的图片几乎不会是一模一样的，这达到了样本多样性的功能。
然后看看核心的 getitem函数：
第一行：self.imgs 是一个list，也就是一开始提到的list，self.imgs的一个元素是一个str，包含图片路径，图片标签，这些信息我们是通过字符串拼接生成的。
第二行：利用Image.open对图片进行读取，img类型为 Image ，mode=‘L’
第三行与第四行：对图片进行处理，这个transform里边可以实现加减均值，除标准差，随机裁剪，旋转，翻转，放射变换等操作，这个放在后面会详细讲解。
当**Mydataset（继承了Dataset父类）**类构建好，剩下的操作就交给DataLoder，在DataLoder中，会触发Mydataset中的getiterm函数读取一张图片的数据和标签，并拼接成一个batch返回，作为模型真正的输入。下一小节将会通过一个小例子，介绍DataLoder是如何获取一个batch，以及一张图片是如何被PyTorch读取，最终变为模型的输入的。
