我們在《torch.utils.data.DataLoader與迭代器轉換》中介紹瞭如何使用Pytorch內建的資料集進行論文實現，如torchvision.datasets。下面是載入內建訓練資料集的常見操作：
from torchvision.datasets import FashionMNIST
from torchvision.transforms import Compose, ToTensor, Normalize
RAW_DATA_PATH = './rawdata'
transform = Compose(
[ToTensor(),
Normalize((0.1307,), (0.3081,))
]
)
train_data = FashionMNIST(
root=RAW_DATA_PATH,
download=True,
train=True,
transform=transform
)
這裡的train_data做為dataset物件，它擁有許多熟悉，我們可以通過以下方法獲取樣本資料的分類類別集合、樣本的特徵維度、樣本的標籤集合等資訊。
classes = train_data.classes
num_features = train_data.data[0].shape[0]
train_labels = train_data.targets
print(classes)
print(num_features)
print(train_labels)
輸出如下:
['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
28
tensor([9, 0, 0, ..., 3, 0, 5])
但是，我們常常會在訓練集的基礎上拆分出驗證集（或者只用部分資料來進行訓練）。我們想到的第一個方法是使用torch.utils.data.random_split對dataset進行劃分，下面我們假設劃分10000個樣本做為訓練集，其餘樣本做為驗證集：
from torch.utils.data import random_split
k = 10000
train_data, valid_data = random_split(train_data, [k, len(train_data)-k])
注意我們如果列印train_data和valid_data的型別，可以看到顯示：
<class 'torch.utils.data.dataset.Subset'>
已經不再是torchvision.datasets.mnist.FashionMNIST物件，而是一個所謂的Subset物件！此時Subset物件雖然仍然還存有data屬性，但是內建的target和classes屬性已經不復存在，比如如果我們強行訪問valid_data的target屬性：
valid_target = valid_data.target
就會報如下錯誤：
'Subset' object has no attribute 'target'
但如果我們在後續的程式碼中常常會將拆分後的資料集也預設為dataset物件，那麼該如何做到程式碼的一致性呢？
這裡有一個trick，那就是以繼承SubSet類的方式的方式定義一個新的CustomSubSet類，使新類在保持SubSet類的基本屬性的基礎上，擁有和原本資料集類相似的屬性，如targets和classes等:
from torch.utils.data import Subset
class CustomSubset(Subset):
'''A custom subset class'''
def __init__(self, dataset, indices):
super().__init__(dataset, indices)
self.targets = dataset.targets # 保留targets屬性
self.classes = dataset.classes # 保留classes屬性
def __getitem__(self, idx): #同時支援索引訪問操作
x, y = self.dataset[self.indices[idx]]
return x, y
def __len__(self): # 同時支援取長度操作
return len(self.indices)
然後就引出了第二種劃分方法，即通過初始化CustomSubset物件的方式直接對資料集進行劃分（這裡為了簡化省略了shuffle的步驟）：
import numpy as np
from copy import deepcopy
origin_data = deepcopy(train_data)
train_data = CustomSubset(origin_data, np.arange(k))
valid_data = CustomSubset(origin_data, np.arange(k, len(origin_data))-k)
注意，CustomSubset類的初始化方法的第二個引數indices為樣本索引，我們可以通過np.arange()的方法來建立。
然後，我們再訪問valid_data對應的classes和targes屬性：
print(valid_data.classes)
print(valid_data.targets)
此時，我們發現可以成功訪問這些屬性了：
['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
tensor([9, 0, 0, ..., 3, 0, 5])
當然，CustomSubset的作用並不只是新增資料集的屬性，我們還可以自定義一些資料預處理操作。我們將類的結構修改如下：
class CustomSubset(Subset):
'''A custom subset class with customizable data transformation'''
def __init__(self, dataset, indices, subset_transform=None):
super().__init__(dataset, indices)
self.targets = dataset.targets
self.classes = dataset.classes
self.subset_transform = subset_transform
def __getitem__(self, idx):
x, y = self.dataset[self.indices[idx]]
if self.subset_transform:
x = self.subset_transform(x)
return x, y
def __len__(self):
return len(self.indices)
我們可以在使用樣本前設定好資料預處理運算元:
from torchvision import transforms
valid_data.subset_transform = transforms.Compose(\
[transforms.RandomRotation((180,180))])
這樣，我們再像下列這樣用索引訪問取出資料集樣本時，就會自動呼叫運算元完成預處理操作:
print(valid_data[0])
列印結果縮略如下：
(tensor([[[-0.4242, -0.4242, -0.4242, ......-0.4242, -0.4242, -0.4242, -0.4242, -0.4242]]]), 9)