PyTorch Basics

Key Concept: ทำไมต้องมี Dataset และ DataLoader?

ใน Machine Learning การจัดการข้อมูลมักจะมีความซับซ้อนและเขียนโค้ดยาก PyTorch จึงออกแบบให้เรา แยกโค้ดส่วนเตรียมข้อมูล (Data Handling) ออกจากโค้ดส่วนฝึกสอนโมเดล (Model Training) เพื่อให้อ่านง่ายและนำไปใช้ซ้ำได้ โดยใช้ 2 หัวใจหลัก:

1. Dataset (คลังข้อมูล)

ทำหน้าที่เก็บตัวอย่างข้อมูล (Features) และคำตอบ (Labels) โดย Dataset จะรู้วิธีดึงข้อมูลออกมา "ทีละ 1 รายการ"

2. DataLoader (พนักงานส่งข้อมูล)

รับข้อมูลมาจาก Dataset แล้วนำมา "มัดรวมเป็นกลุ่ม (Batch)", ทำการสับเปลี่ยน (Shuffle), และโหลดแบบคู่ขนาน (Multiprocessing) เพื่อป้อนให้โมเดลแบบรวดเร็ว

การโหลด Dataset ตัวอย่าง

PyTorch มีไลบรารีเฉพาะทางมากมาย เช่น TorchVision, TorchText, และ TorchAudio ที่มาพร้อมกับ Dataset มาตรฐานให้เราลองใช้ ในตัวอย่างนี้เราจะโหลด Fashion-MNIST ซึ่งเป็นชุดข้อมูลภาพเสื้อผ้าขาวดำขนาด 28x28 พิกเซล 

import torch
from torch.utils.data import Dataset
from torchvision import datasets
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plt

# ดาวน์โหลดข้อมูลสำหรับ Training
training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor()
)

# ดาวน์โหลดข้อมูลสำหรับ Testing
test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor()
)
Output:
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz
...
Extracting data/FashionMNIST/raw/t10k-labels-idx1-ubyte.gz to data/FashionMNIST/raw

การวนลูป (Iterating) และแสดงผล Dataset

เราสามารถดึงข้อมูลจาก Dataset ออกมาดูทีละภาพได้เหมือนการเข้าถึง List ใน Python (เช่น training_data[index])

labels_map = {
    0: "T-Shirt", 1: "Trouser", 2: "Pullover", 3: "Dress", 4: "Coat",
    5: "Sandal", 6: "Shirt", 7: "Sneaker", 8: "Bag", 9: "Ankle Boot",
}
figure = plt.figure(figsize=(8, 8))
cols, rows = 3, 3

for i in range(1, cols * rows + 1):
    sample_idx = torch.randint(len(training_data), size=(1,)).item()
    img, label = training_data[sample_idx]
    
    figure.add_subplot(rows, cols, i)
    plt.title(labels_map[label])
    plt.axis("off")
    plt.imshow(img.squeeze(), cmap="gray")
    
plt.show()

* ผลลัพธ์ที่ได้จะเป็นหน้าต่างกราฟฟิกของ matplotlib แสดงรูปภาพเสื้อผ้าแบบสุ่ม 9 รูปพร้อมชื่อ

การสร้าง Dataset ของตัวเอง (Custom Dataset)

ในความเป็นจริง เรามักจะมีข้อมูลของเราเอง คลาส Dataset แบบกำหนดเอง (Custom Dataset class) จำเป็นต้องมีฟังก์ชันหลัก 3 ตัวนี้เสมอ (__init__, __len__, และ __getitem__):

import os
import pandas as pd
from torchvision.io import read_image

class CustomImageDataset(Dataset):
    # 1. ทำงานครั้งแรกตอนสร้าง Object (ตั้งค่าต่างๆ)
    def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
        self.img_labels = pd.read_csv(annotations_file)
        self.img_dir = img_dir
        self.transform = transform
        self.target_transform = target_transform

    # 2. คืนค่าจำนวนตัวอย่างทั้งหมดใน Dataset
    def __len__(self):
        return len(self.img_labels)

    # 3. โหลดและคืนค่า ข้อมูล (image) และ คำตอบ (label) ณ ตำแหน่ง idx
    def __getitem__(self, idx):
        img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
        image = read_image(img_path)
        label = self.img_labels.iloc[idx, 1]
        
        if self.transform:     image = self.transform(image)
        if self.target_transform: label = self.target_transform(label)
            
        return image, label

การเตรียมข้อมูลสำหรับสอนด้วย DataLoader

Dataset ดึงข้อมูลให้เราได้ครั้งละ 1 รายการ แต่เวลาเราสอนโมเดล (Train Model) เราต้องการดึงข้อมูล เป็นกลุ่มย่อย (Minibatches) และต้องการ สับเปลี่ยนข้อมูล (Shuffle) ในทุกๆ รอบ (Epoch) เพื่อไม่ให้โมเดลจำข้อสอบ DataLoader คือ API ที่จัดการเรื่องน่าปวดหัวเหล่านี้ให้เราง่ายๆ ในบรรทัดเดียว 

from torch.utils.data import DataLoader

# สร้าง DataLoader
# batch_size=64 หมายถึงดึงข้อมูลมาทีละ 64 ภาพต่อ 1 ครั้ง
train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)

# ลองวนลูปเพื่อดูข้อมูล 1 Batch
train_features, train_labels = next(iter(train_dataloader))

print(f"Feature batch shape: {train_features.size()}")
print(f"Labels batch shape: {train_labels.size()}")

img = train_features[0].squeeze()
label = train_labels[0]
print(f"Label: {label}")
Output:
Feature batch shape: torch.Size([64, 1, 28, 28])
Labels batch shape: torch.Size([64])
Label: 5

ในผลลัพธ์ [64, 1, 28, 28] หมายความว่า: 64 ภาพ, 1 Channel (ขาวดำ), สูง 28, กว้าง 28 พิกเซล