pytorch 数据集 pytorch 数据集读取速度

转载

jojo 2023-10-18 07:30:27

文章标签 pytorch 数据集数据数据库数据集 文章分类 PyTorch 人工智能

问题背景

训练深度学习模型往往需要大规模的数据集，这些数据集往往无法直接一次性加载到计算机的内存中，通常需要分批加载。数据的I/O很可能成为训练深度网络模型的瓶颈，因此数据的读取速度对于大规模的数据集（几十G甚至上千G）是非常关键的。例如：https://discuss.pytorch.org/t/whats-the-best-way-to-load-large-data/2977

采用数据库能够大大提升数据的读写速度，例如caffe支持从lmdb、leveldb文件读取训练样本。

lmdb和leveldb的使用方式差不多，Leveldb lmdb性能对比。但是，数据集转换为LMDB或leveldb之后文件会变大（数据以二进制形式保存），即采用空间换取时间效率。

caffe先支持leveldb，后支持lmdb。lmdb读取的效率更高，而且支持不同程序同时读取，而leveldb只允许一个程序读取。这一点在使用同样的数据跑不同的配置程序时很重要。

lmdb

参考：https://zhuanlan.zhihu.com/p/70359311

LMDB 全称为 Lightning Memory-Mapped Database，就是非常快的内存映射型数据库，LMDB使用内存映射文件，可以提供更好的输入/输出性能，对于用于神经网络的大型数据集( 比如 ImageNet )，可以将其存储在 LMDB 中。

因为最开始 Caffe 就是使用的这个数据库，所以网上的大多数关于 LMDB 的教程都通过 Caffe 实现的，对于不了解 Caffe 的同学很不友好，所以本篇文章只讲解 LMDB。

LMDB属于key-value数据库，而不是关系型数据库( 比如 MySQL )，LMDB提供 key-value 存储，其中每个键值对都是我们数据集中的一个样本。LMDB的主要作用是提供数据管理，可以将各种各样的原始数据转换为统一的key-value存储。

LMDB效率高的一个关键原因是它是基于内存映射的，这意味着它返回指向键和值的内存地址的指针，而不需要像大多数其他数据库那样复制内存中的任何内容。

LMDB不仅可以用来存放训练和测试用的数据集，还可以存放神经网络提取出的特征数据。如果数据的结构很简单，就是大量的矩阵和向量，而且数据之间没有什么关联，数据内没有复杂的对象结构，那么就可以选择LMDB这个简单的数据库来存放数据。

LMDB的文件结构很简单，一个文件夹，里面是一个数据文件和一个锁文件。数据随意复制，随意传输。它的访问简单，不需要单独的数据管理进程。只要在访问代码里引用LMDB库，访问时给文件路径即可。

用LMDB数据库来存放图像数据，而不是直接读取原始图像数据的原因：

数据类型多种多样，比如：二进制文件、文本文件、编码后的图像文件jpeg、png等，不可能用一套代码实现所有类型的输入数据读取，因此通过LMDB数据库，转换为统一数据格式可以简化数据读取层的实现。
lmdb具有极高的存取速度，大大减少了系统访问大量小文件时的磁盘IO的时间开销。LMDB将整个数据集都放在一个文件里，避免了文件系统寻址的开销，你的存储介质有多快，就能访问多快，不会因为文件多而导致时间长。LMDB使用了内存映射的方式访问文件，这使得文件内寻址的开销大幅度降低。

LMDB 的基本函数

env = lmdb.open()：创建 lmdb 环境
txn = env.begin()：建立事务
txn.put(key, value)：进行插入和修改
txn.delete(key)：进行删除
txn.get(key)：进行查询
txn.cursor()：进行遍历
txn.commit()：提交更改

创建一个 lmdb 环境：

1 import lmdb
2 
3 env = lmdb.open('D:/desktop/lmdb', map_size=10*1024**2)

指定存放生成的lmdb数据库的文件夹路径，如果没有该文件夹则自动创建。

map_size 指定创建的新数据库所需磁盘空间的最小值，1099511627776B＝１T。可以在这里进行存储单位换算。

会在指定路径下创建 data.mdb 和 lock.mdb 两个文件，一是个数据文件，一个是锁文件。

修改数据库内容：

1 # 创建一个事务Transaction对象
 2 txn = env.begin(write=True)
 3 
 4 # insert/modify
 5 # txn.put(key, value)
 6 txn.put(str(1).encode(), "Alice".encode()) # .encode()编码为字节bytes格式
 7 txn.put(str(2).encode(), "Bob".encode())
 8 txn.put(str(3).encode(), "Jack".encode())
 9 
10 # delete
11 # txn.delete(key)
12 txn.delete(str(1).encode())
13 
14 # 提交待处理的事务
15 txn.commit()

先创建一个事务(transaction) 对象 txn，所有的操作都必须经过这个事务对象。因为我们要对数据库进行写入操作，所以将 write 参数置为 True，默认其为 False。

使用 .put(key, value) 对数据库进行插入和修改操作，传入的参数为键值对。

值得注意的是，需要在键值字符串后加 .encode() 改变其编码格式，将 str 转换为 bytes 格式，否则会报该错误：TypeError: Won't implicitly convert Unicode to bytes; use .encode()。在后面使用 .decode() 对其进行解码得到原数据。

使用 .delete(key) 删除指定键值对。

对LMDB的读写操作在事务中执行，需要使用 commit 方法提交待处理的事务。

查询数据库内容：

1 # 数据库查询
2 txn = env.begin() # 每个commit()之后都需要使用begin()方法更新txn得到最新数据库
3 
4 print(txn.get(str(2).encode()))
5 
6 for key, value in txn.cursor():
7     print(key, value)
8 
9 env.close

每次 commit() 之后都要用 env.begin() 更新 txn（得到最新的lmdb数据库）。

使用 .get(key) 查询数据库中的单条记录。

使用 .cursor() 遍历数据库中的所有记录，其返回一个可迭代对象，相当于关系数据库中的游标，每读取一次，游标下移一位。

也可以想文件一样使用 with 语法：

1 # 可以像文件一样使用with语法
2 with env.begin() as txn:
3     print(txn.get(str(2).encode()))
4 
5     for key, value in txn.cursor():
6         print(key, value)
7 env.close

完整的demo如下：

pytorch 数据集 pytorch 数据集读取速度_数据集

pytorch 数据集 pytorch 数据集读取速度_pytorch 数据集_02

1 import lmdb
 2 import os, sys
 3 
 4 def initialize(lmdb_dir, map_size):
 5     # map_size: bytes
 6     env = lmdb.open(lmdb_dir, map_size)
 7     return env
 8 
 9 def insert(env, key, value):
10     txn = env.begin(write=True)
11     txn.put(str(key).encode(), value.encode())
12     txn.commit()
13 
14 def delete(env, key):
15     txn = env.begin(write=True)
16     txn.delete(str(key).encode())
17     txn.commit()
18 
19 def update(env, key, value):
20     txn = env.begin(write=True)
21     txn.put(str(key).encode(), value.encode())
22     txn.commit()
23 
24 def search(env, key):
25     txn = env.begin()
26     value = txn.get(str(key).encode())
27     return value
28 
29 def display(env):
30     txn = env.begin()
31     cursor = txn.cursor()
32     for key, value in cursor:
33         print(key, value)
34 
35 
36 if __name__ == '__main__':
37     path = 'D:/desktop/lmdb'
38     env = initialize(path, 10*1024*1024)
39 
40     print("Insert 3 records.")
41     insert(env, 1, "Alice")
42     insert(env, 2, "Bob")
43     insert(env, 3, "Peter")
44     display(env)
45 
46     print("Delete the record where key = 1")
47     delete(env, 1)
48     display(env)
49 
50     print("Update the record where key = 3")
51     update(env, 3, "Mark")
52     display(env)
53 
54     print("Get the value whose key = 3")
55     name = search(env, 3)
56     print(name)
57 
58     # 最后需要关闭lmdb数据库
59     env.close()

View Code

图片数据示例

在图像深度学习训练中我们一般都会把大量原始数据集转化为lmdb格式以方便后续的网络训练。因此我们也需要对该数据集进行lmdb格式转化。

将图片和对应的文本标签存放到lmdb数据库：

pytorch 数据集 pytorch 数据集读取速度_数据集

pytorch 数据集 pytorch 数据集读取速度_pytorch 数据集_02

1 import lmdb
 2 
 3 image_path = './cat.jpg'
 4 label = 'cat'
 5 
 6 env = lmdb.open('lmdb_dir')
 7 cache = {}  # 存储键值对
 8 
 9 with open(image_path, 'rb') as f:
10     # 读取图像文件的二进制格式数据
11     image_bin = f.read()
12 
13 # 用两个键值对表示一个数据样本
14 cache['image_000'] = image_bin
15 cache['label_000'] = label
16 
17 with env.begin(write=True) as txn:
18     for k, v in cache.items():
19         if isinstance(v, bytes):
20             # 图片类型为bytes
21             txn.put(k.encode(), v)
22         else:
23             # 标签类型为str, 转为bytes
24             txn.put(k.encode(), v.encode())  # 编码
25 
26 env.close()

View Code

这里需要获取图像文件的二进制格式数据，然后用两个键值对保存一个数据样本，即分开保存图片和其标签。

然后分别将图像和标签写入到lmdb数据库中，和上面例子一样都需要将键值转换为 bytes 格式。因为此处读取的图片格式本身就为 bytes，所以不需要转换，标签格式为 str，写入数据库之前需要先进行编码将其转换为 bytes。

从lmdb数据库中读取图片数据：

pytorch 数据集 pytorch 数据集读取速度_数据集

pytorch 数据集 pytorch 数据集读取速度_pytorch 数据集_02

1 import cv2
 2 import lmdb
 3 import numpy as np
 4 
 5 env = lmdb.open('lmdb_dir')
 6 
 7 with env.begin(write=False) as txn:
 8     # 获取图像数据
 9     image_bin = txn.get('image_000'.encode())
10     label = txn.get('label_000'.encode()).decode()  # 解码
11 
12     # 将二进制文件转为十进制文件（一维数组）
13     image_buf = np.frombuffer(image_bin, dtype=np.uint8)
14     # 将数据转换(解码)成图像格式
15     # cv2.IMREAD_GRAYSCALE为灰度图，cv2.IMREAD_COLOR为彩色图
16     img = cv2.imdecode(image_buf, cv2.IMREAD_COLOR)
17     cv2.imshow('image', img)
18     cv2.waitKey(0)

View Code

先通过 lmdb.open() 获取之前创建的lmdb数据库。

这里通过键得到图片和其标签，因为写入数据库之前进行了编码，所以这里需要先解码。

标签通过 .decode() 进行解码重新得到字符串格式。
读取到的图片数据为二进制格式，所以先使用 np.frombuffer() 将其转换为十进制格式的文件，这是一维数组。然后可以使用 cv2.imdecode() 将其转换为灰度图（二维数组）或者彩色图（三维数组）。

leveldb

leveldb的使用与lmdb差不多，然而LevelDB 是单进程的服务。

https://www.jianshu.com/p/66496c8726a1

https://github.com/liquidconv/py4db

https://github.com/google/leveldb

pytorch 数据集 pytorch 数据集读取速度_数据集

pytorch 数据集 pytorch 数据集读取速度_pytorch 数据集_02

1 #!/usr/bin/env python
 2 
 3 import leveldb
 4 import os, sys
 5 
 6 def initialize():
 7     db = leveldb.LevelDB("students");
 8     return db;
 9 
10 def insert(db, sid, name):
11     db.Put(str(sid), name);
12 
13 def delete(db, sid):
14     db.Delete(str(sid));
15 
16 def update(db, sid, name):
17     db.Put(str(sid), name);
18 
19 def search(db, sid):
20     name = db.Get(str(sid));
21     return name;
22 
23 def display(db):
24     for key, value in db.RangeIter():
25         print (key, value);
26 
27 db = initialize();
28 
29 print "Insert 3 records."
30 insert(db, 1, "Alice");
31 insert(db, 2, "Bob");
32 insert(db, 3, "Peter");
33 display(db);
34 
35 print "Delete the record where sid = 1."
36 delete(db, 1);
37 display(db);
38 
39 print "Update the record where sid = 3."
40 update(db, 3, "Mark");
41 display(db);
42 
43 print "Get the name of student whose sid = 3."
44 name = search(db, 3);
45 print name;

View Code

pytorch从lmdb中加载数据

这里给出一种pytorch从lmdb中加载数据的参考示例，来自：https://discuss.pytorch.org/t/whats-the-best-way-to-load-large-data/2977

需要指出的是，pytorch的Dataset并不支持lmdb的迭代器。Dataset通过__getitem__(index)方法通过index获取一个样本，因此无法整合lmdb的cursor进行遍历，只能通过

with self.data_env.begin() as f: data = f.get(key)的方式，即每次打开一个事务txn，这会降低读取速度。如果设置shuffle=False则可以利用cursor按顺序遍历。

1 from __future__ import print_function
 2 import torch.utils.data as data
 3 # import h5py
 4 import numpy as np
 5 import lmdb
 6 
 7 
 8 class onlineHCCR(data.Dataset):
 9     def __init__(self, train=True):
10         # self.root = root
11         self.train = train
12 
13         if self.train:
14             datalmdb_path = 'traindata_lmdb'
15             labellmdb_path = 'trainlabel_lmdb'
16             self.data_env = lmdb.open(datalmdb_path, readonly=True)
17             self.label_env = lmdb.open(labellmdb_path, readonly=True)
18 
19         else:
20             datalmdb_path = 'testdata_lmdb'
21             labellmdb_path = 'testlabel_lmdb'
22             self.data_env = lmdb.open(datalmdb_path, readonly=True)
23             self.label_env = lmdb.open(labellmdb_path, readonly=True)
24 
25 
26     def __getitem__(self, index):
27 
28         Data = []
29         Target = []
30 
31         if self.train:
32             with self.data_env.begin() as f:
33                 key = '{:08}'.format(index)
34                 data = f.get(key)
35                 flat_data = np.fromstring(data, dtype=float)
36                 data = flat_data.reshape(150, 6).astype('float32')
37                 Data = data
38 
39             with self.label_env.begin() as f:
40                 key = '{:08}'.format(index)
41                 data = f.get(key)
42                 label = np.fromstring(data, dtype=int)
43                 Target = label[0]
44 
45         else:
46 
47             with self.data_env.begin() as f:
48                 key = '{:08}'.format(index)
49                 data = f.get(key)
50                 flat_data = np.fromstring(data, dtype=float)
51                 data = flat_data.reshape(150, 6).astype('float32')
52                 Data = data
53 
54             with self.label_env.begin() as f:
55                 key = '{:08}'.format(index)
56                 data = f.get(key)
57                 label = np.fromstring(data, dtype=int)
58                 Target = label[0]
59 
60         return Data, Target
61         
62 
63     def __len__(self):
64         if self.train:
65             return 2693931
66         else:
67             return 224589

另一个示例：

1 # https://github.com/pytorch/vision/blob/master/torchvision/datasets/lsun.py#L19-L20
 2 
 3 class LSUNClass(VisionDataset):
 4     def __init__(self, root, transform=None, target_transform=None):
 5         import lmdb
 6         super(LSUNClass, self).__init__(root, transform=transform, target_transform=target_transform)
 7 
 8         self.env = lmdb.open(root, max_readers=1, readonly=True, lock=False, readahead=False, meminit=False)
 9         with self.env.begin(write=False) as txn:
10             self.length = txn.stat()['entries']
11         cache_file = '_cache_' + ''.join(c for c in root if c in string.ascii_letters)
12         if os.path.isfile(cache_file):
13             self.keys = pickle.load(open(cache_file, "rb"))
14         else:
15             with self.env.begin(write=False) as txn:
16                 self.keys = [key for key, _ in txn.cursor()]
17             pickle.dump(self.keys, open(cache_file, "wb"))
18 
19     def __getitem__(self, index):
20         img, target = None, None
21         env = self.env
22         with env.begin(write=False) as txn:
23             imgbuf = txn.get(self.keys[index])
24 
25         buf = io.BytesIO()
26         buf.write(imgbuf)
27         buf.seek(0)
28         img = Image.open(buf).convert('RGB')
29 
30         if self.transform is not None:
31             img = self.transform(img)
32 
33         if self.target_transform is not None:
34             target = self.target_transform(target)
35 
36         return img, target
37 
38     def __len__(self):
39         return self.length