LECCIÓN 8 · CONSTRUIR Y ENTRENAR

Dataset y DataLoader

Con datos reales no entrenas con todo a la vez (no cabría en memoria, y entrena peor). Los partes en lotes (batches) y los recorres mezclados. PyTorch tiene dos herramientas justo para esto.

1. ¿Por qué lotes (batches)?

Entrenar con todos los datos en cada paso tiene dos problemas:

Memoria: un dataset real (millones de ejemplos) no cabe de golpe en la GPU/RAM.
Aprendizaje: actualizar los pesos con pequeños lotes (p. ej. 32 ejemplos) da más pasos y mejor generalización que un único paso gigante.

La solución: dividir los datos en lotes y hacer un paso de entrenamiento por cada lote. Una pasada completa por todos los lotes = una época. Además se barajan (shuffle) en cada época para que el orden no influya.

2. Dataset: empaquetar X e Y

Un Dataset es un objeto que sabe cuántos ejemplos hay y cómo entregar el ejemplo número i. Para datos que ya están en tensores, TensorDataset los une:

from torch.utils.data import TensorDataset, DataLoader

X = torch.arange(20).float().reshape(10, 2)   # 10 ejemplos, 2 features
Y = torch.arange(10).float().reshape(10, 1)   # 10 etiquetas

ds = TensorDataset(X, Y)
print(len(ds))   # cuántos ejemplos
print(ds[0])    # el primer (entrada, etiqueta)

salida reallen dataset: 10 primer item: (tensor([0., 1.]), tensor([0.]))

ds[0] devuelve una tupla (x, y): la entrada y su etiqueta. Para datos propios (CSV, imágenes…) se crea un Dataset personalizado, pero la idea es la misma.

3. DataLoader: servir los lotes

El DataLoader envuelve un Dataset y lo sirve en lotes, opcionalmente barajado. Es un iterable que recorres con un for:

dl = DataLoader(ds, batch_size=4, shuffle=False)

for i, (xb, yb) in enumerate(dl):
    print(i, xb.shape, yb.shape)

salida realbatch 0: xb.shape=(4, 2) yb.shape=(4, 1) batch 1: xb.shape=(4, 2) yb.shape=(4, 1) batch 2: xb.shape=(2, 2) yb.shape=(2, 1)

Con 10 ejemplos y batch_size=4 salen 3 lotes: 4 + 4 + 2 (el último lleva lo que sobra). Cada xb es un mini-tensor de 4 ejemplos listo para net(xb).

🔀 Pon shuffle=True en el DataLoader de entrenamiento (baraja cada época, mejora el aprendizaje). En el de validación/prueba usa shuffle=False (no hace falta y así los resultados son reproducibles).

4. Cómo encaja en el bucle de entrenamiento

El bucle de la lección 7 ahora tiene un for interno que recorre los lotes:

for epoca in range(num_epocas):
    for xb, yb in dl:           # ← un paso por LOTE
        opt.zero_grad()
        pred = net(xb)
        loss = loss_fn(pred, yb)
        loss.backward()
        opt.step()

Resumen: Dataset empaqueta (X, Y) y sabe entregar el ejemplo i; DataLoader los sirve en lotes barajados. El entrenamiento pasa a ser un bucle de épocas, y dentro un bucle de lotes. Con esto ya tienes todas las piezas: en la próxima lección montamos un entrenamiento completo de verdad, con validación y guardado del modelo.