pytorch - 如何使用 PyTorch 的 DataLoader 确保批处理包含来自所有工作人员的样本？

Question

我想知道怎么用torch.utils.data.DataLoader在 PyTorch 中，尤其是在多 worker 情况下。

我发现来自 DataLoader 的一批输出总是来自一个 worker 。
我预计 DataLoader 中有一个队列，用于存储来自所有工作人员的数据，而 DataLoader 将它们在队列中打乱以输出随机批处理数据。我认为这是tf.data.Dataset的方式在 tensorflow 中。
我们可以在 PyTorch 中实现类似的功能吗？我想通过使用多个 worker 从大序列化文件(如 Tfrecord )加载数据集。在这种情况下，在一批中混合源文件，这意味着混合工作器的源，很重要。

请引用以下代码:

import random
import time

import torch


class MyDataset(torch.utils.data.Dataset):
    def __len__(self):
        return 50

    def __getitem__(self, idx):
        info = torch.utils.data.get_worker_info()

        time.sleep(random.uniform(0, 1))
        print("[{}]:{}".format(info.id, idx))
        return idx, info.id


if __name__ == '__main__':
    dataset = MyDataset()
    dataloader = torch.utils.data.DataLoader(dataset, batch_size=5, shuffle=False, num_workers=2)
    for batch in dataloader:
        print(batch)

输出:

[0]:0
[1]:5
[0]:1
[1]:6
[0]:2
[0]:3
[1]:7
[0]:4
[tensor([0, 1, 2, 3, 4]), tensor([0, 0, 0, 0, 0])]
[1]:8
[1]:9
[tensor([5, 6, 7, 8, 9]), tensor([1, 1, 1, 1, 1])]
[0]:10
[0]:11
[1]:15
[1]:16
[0]:12
[1]:17
...

在这里， [0, 1, 2, 3, 4]和 [0, 0, 0, 0, 0]在 [tensor([0, 1, 2, 3, 4]), tensor([0, 0, 0, 0, 0])]表示该批次包括来自 worker ID 0 的索引 0 到 4 数据.
请注意 shuffle=True不能解决这个问题，它只会改变数据的索引。

在这种情况下，我想得到一个批次: [tensor([0, 5, 1, 6, 2]), tensor([0, 1, 0, 1, 0])] .

Answer 1

我已经实现了一些简单的方法来解决类似的问题，我将大型视频文件作为训练数据，每个工作人员负责加载和预处理单个文件，然后从中生成样本。问题在于，正如 OP 所描述的那样，使用 Pytorch 的默认数据加载机制，每个批次仅包含来自单个视频文件的样本。

首先，让我们回顾一下问题。在这个简化的代码示例中，每个工作人员产生一个包含其零索引工作人员 ID 的张量。批量大小为 32 和 4 个 worker 时，我们希望每个批次包含 8 个零、8 个 1、8 个二和 8 个三。

from collections import defaultdict

import torch as T
import torch.utils.data as tdata


class Dataset(tdata.IterableDataset):
    def __init__(self, batch_size: int):
        self._bs = batch_size

    def __iter__(self):
        worker_info = tdata.get_worker_info()
        if not worker_info:
            raise NotImplementedError('Not implemented for num_workers=0')
        for _ in range(self._bs):
            yield T.tensor([worker_info.id])


batch_size = 32
num_workers = 4
dataset = Dataset(batch_size)
loader = tdata.DataLoader(dataset,
                          batch_size=batch_size,
                          num_workers=num_workers)


for batch in loader:
    counts = defaultdict(int)
    for n in batch.numpy().flatten():
        counts[n] += 1
    print(dict(counts))

相反，代码打印:

{0: 32}
{1: 32}
{2: 32}
{3: 32}

这意味着第一批只包含 worker 0 的样本，第二批只包含 worker 1 的样本，等等。为了解决这个问题，我们将在 DataLoader 中设置批大小。至 batch_size // num_workers并在 DataLoader 上使用一个简单的包装器为我们的批次汇集每个 worker 的样本:

def pooled_batches(loader):
    loader_it = iter(loader)
    while True:
        samples = []
        for _ in range(loader.num_workers):
            try:
                samples.append(next(loader_it))
            except StopIteration:
                pass
        if len(samples) == 0:
            break
        else:
            yield T.cat(samples, dim=0)


batch_size = 32
num_workers = 4
dataset = Dataset(batch_size)
per_worker = batch_size // num_workers
loader = tdata.DataLoader(dataset,
                          batch_size=per_worker,
                          num_workers=num_workers)

for batch in pooled_batches(loader):
    counts = defaultdict(int)
    for n in batch.numpy().flatten():
        counts[n] += 1
    print(dict(counts))

代码现在打印

{0: 8, 1: 8, 2: 8, 3: 8}
{0: 8, 1: 8, 2: 8, 3: 8}
{0: 8, 1: 8, 2: 8, 3: 8}
{0: 8, 1: 8, 2: 8, 3: 8}

正如预期的那样。