mindspore.dataset.InMemoryGraphDataset
- class mindspore.dataset.InMemoryGraphDataset(data_dir, save_dir='./processed', column_names='graph', num_samples=None, num_parallel_workers=1, shuffle=None, num_shards=None, shard_id=None, python_multiprocessing=True, max_rowsize=6)[源代码]
用于将图数据加载到内存中的Dataset基类。
建议通过继承这个基类来实现自定义Dataset，并重写相应的方法，如 process 、 save 和 load ，可参考 ArgoverseDataset 源码。自定义Dataset的初始化过程如下，首先检查在给定的 data_dir 中是否已经有处理好的数据。如果是则调用 load 方法直接加载它，否则将调用 process 方法创建图，并调用 save 方法将图保存到 save_dir。
可以访问所创建dataset中的图并使用，例如 graphs = my_dataset.graphs，也可以迭代dataset对象如 my_dataset.create_tuple_iterator() 来获取数据（这时需要实现 __getitem__ 和 __len__）方法，具体请参考以下示例。注意：内部逻辑指定了 __new__ 阶段会重新初始化 __init__ ，如果自定义图实现了 __new__ 方法，该方法将失效。
- 参数：
data_dir (str) - 加载数据集的目录，这里包含原始格式的数据，并将在 process 方法中被加载。
save_dir (str) - 保存处理后得到的数据集的相对目录，该目录位于 data_dir 下面。默认值：”./processed”。
column_names (Union[str, list[str]]，可选) - dataset包含的单个列名或多个列名组成的列表。默认值：’graph’。当实现类似 __getitem__ 等方法时，列名的数量应该等于该方法中返回数据的条数。
num_samples (int, 可选) - 指定从数据集中读取的样本数。默认值：None，读取全部样本。
num_parallel_workers (int, 可选) - 指定读取数据的工作进程数/线程数（由参数 python_multiprocessing 决定当前为多进程模式或多线程模式）。默认值：1。
shuffle (bool，可选) - 是否混洗数据集。当实现的Dataset带有可随机访问属性（ __getitem__ ）时，才可以指定该参数。默认值：None。
num_shards (int, 可选) - 指定分布式训练时将数据集进行划分的分片数。默认值：None。指定此参数后， num_samples 表示每个分片的最大样本数。
shard_id (int, 可选) - 指定分布式训练时使用的分片ID号。默认值：None。只有当指定了 num_shards 时才能指定此参数。
python_multiprocessing (bool，可选) - 启用Python多进程模式加速运算。默认值：True。当传入 source 的Python对象的计算量很大时，开启此选项可能会有较好效果。
max_rowsize (int, 可选) - 指定在多进程之间复制数据时，共享内存分配的最大空间。默认值：6，单位为MB。仅当参数 python_multiprocessing 设为True时，此参数才会生效。
- 异常：
TypeError - 如果 data_dir 不是str类型。
TypeError - 如果 save_dir 不是str类型。
TypeError - 如果 num_parallel_workers 不是int类型。
TypeError - 如果 shuffle 不是bool类型。
TypeError - 如果 python_multiprocessing 不是bool类型。
TypeError - 如果 perf_mode 不是bool类型。
RuntimeError - 如果 data_dir 无效或不存在。
RuntimeError - 指定了 num_shards 参数，但是未指定 shard_id 参数。
RuntimeError - 指定了 shard_id 参数，但是未指定 num_shards 参数。
ValueError - num_parallel_workers 参数超过系统最大线程数。
样例：
>>> from mindspore.dataset import InMemoryGraphDataset, Graph >>> >>> class MyDataset(InMemoryGraphDataset): ... def __init__(self, data_dir): ... super().__init__(data_dir) ... ... def process(self): ... # create graph with loading data in given data_dir ... # here create graph with numpy array directly instead ... edges = np.array([[0, 1], [1, 2]]) ... graph = Graph(edges=edges) ... self.graphs.append(graph) ... ... def __getitem__(self, index): ... # this method and '__len__' method are required when iterating created dataset ... graph = self.graphs[index] ... return graph.get_all_edges('0') ... ... def __len__(self): ... return len(self.graphs)
预处理操作
对数据集对象执行给定操作函数。 |
|
对传入的多个数据集对象进行拼接操作。 |
|
通过自定义判断条件对数据集对象中的数据进行过滤。 |
|
对数据集对象中每一条数据执行给定的数据处理，并将结果展平。 |
|
给定一组数据增强列表，按顺序将数据增强作用在数据集对象上。 |
|
从数据集对象中选择需要的列，并按给定的列名的顺序进行排序。 |
|
对数据集对象按指定的列名进行重命名。 |
|
重复此数据集 count 次。 |
|
重置下一个epoch的数据集对象。 |
|
将数据处理管道中正处理的数据保存为通用的数据集格式。 |
|
通过创建 buffer_size 大小的缓存来混洗该数据集。 |
|
跳过此数据集对象的前 count 条数据。 |
|
将数据集拆分为多个不重叠的子数据集。 |
|
从数据集中获取最多 count 的元素。 |
|
将多个dataset对象按列进行合并压缩，多个dataset对象不能有相同的列名。 |
Batch（批操作）
将数据集中连续 batch_size 条数据组合为一个批数据，并可通过可选参数 per_batch_map 指定组合前要进行的预处理操作。 |
|
根据数据的长度进行分桶。 |
|
将数据集中连续 batch_size 条数据组合为一个批数据，并可通过可选参数 pad_info 预先将样本补齐。 |
迭代器
基于数据集对象创建迭代器。 |
|
基于数据集对象创建迭代器。 |
数据集属性
获得数据集对象定义的批处理大小，即一个批处理数据中包含的数据条数。 |
|
返回类别索引。 |
|
返回数据集对象中包含的列名。 |
|
返回一个epoch中的batch数。 |
|
获取 RepeatDataset 中定义的repeat操作的次数。 |
|
获取/设置数据列索引，它表示使用下沉模式时数据列映射至网络中的对应关系。 |
|
获取数据集对象中所有样本的类别数目。 |
|
获取数据集对象中每列数据的shape。 |
|
获取数据集对象中每列数据的数据类型。 |
应用采样方法
为当前数据集添加子采样器。 |
|
替换当前数据集的最末子采样器，保持父采样器不变。 |
其他方法
将数据异步传输到Ascend/GPU设备上。 |
|
释放阻塞条件并使用给定数据触发回调函数。 |
|
为同步操作在数据集对象上添加阻塞条件。 |
|
将数据处理管道序列化为JSON字符串，如果提供了文件名，则转储到文件中。 |