如何在 Dataloader 中使用 Batchsampler

Question

我需要在 pytorch DataLoader中使用BatchSampler ，而不是多次调用数据集的__getitem__ （远程数据集，每个查询都很昂贵）。
我无法理解如何将批处理采样器与任何给定的数据集一起使用。

例如

class MyDataset(Dataset):

    def __init__(self, remote_ddf, ):
        self.ddf = remote_ddf

    def __len__(self):
        return len(self.ddf)

    def __getitem__(self, idx):
        return self.ddf[idx] --------> This is as expensive as a batch call

    def get_batch(self, batch_idx):
        return self.ddf[batch_idx]

my_loader = DataLoader(MyDataset(remote_ddf), 
           batch_sampler=BatchSampler(Sampler(), batch_size=3))

我不明白的事情是，我在网上或torch docs中都没有找到任何示例，是如何使用我的get_batch function而不是__getitem__ function。
编辑：按照 Szymon Maszke 的回答，这是我尝试过的，但是， \_\_get_item__每次调用都会获取一个索引，而不是大小为batch_size的列表

class Dataset(Dataset):

    def __init__(self):
       ...

    def __len__(self):
        ...

    def __getitem__(self, batch_idx):  ------> here I get only one index
        return self.wiki_df.loc[batch_idx]


loader = DataLoader(
                dataset=dataset,
                batch_sampler=BatchSampler(
                    SequentialSampler(dataset), batch_size=self.hparams.batch_size, drop_last=False),
                num_workers=self.hparams.num_data_workers,
            )

Answer 1

您不能使用get_batch代替__getitem__ ，而且我认为这样做没有意义。

torch.utils.data.BatchSampler从您的Sampler()实例（在本例中为3个）获取索引并将其作为list返回，以便可以在您的MyDataset __getitem__方法中使用这些索引（检查源代码，大多数采样器和数据相关实用程序很容易在您需要时使用）。

我假设您的self.ddf支持列表切片（例如self.ddf[[25, 44, 115]]正确返回值并且只使用一个昂贵的调用）。 在这种情况下，只需将get_batch切换到__getitem__ ，您就可以使用 go。

class MyDataset(Dataset):

    def __init__(self, remote_ddf, ):
        self.ddf = remote_ddf

    def __len__(self):
        return len(self.ddf)

    def __getitem__(self, batch_idx):
        return self.ddf[batch_idx] -> batch_idx is a list

编辑：您必须将batch_sampler指定为sampler ，否则批次将分为单个索引。 这应该没问题：

loader = DataLoader(
    dataset=dataset,
    # This line below!
    sampler=BatchSampler(
        SequentialSampler(dataset), batch_size=self.hparams.batch_size, drop_last=False
    ),
    num_workers=self.hparams.num_data_workers,
)