如何将PyTorch自定义数据集的DataLoader适配fastai，解决after_batch报错？

你遇到的报错是因为fastai的DataLoaders容器不接受原生PyTorch的torch.utils.data.DataLoader实例：fastai封装了自己的DataLoader实现，内置了after_batch等回调相关的属性用于训练流程控制，原生PyTorch的DataLoader没有这些扩展属性，因此触发AttributeError。

你已经实现的自定义PyTorch数据集不需要额外添加任何属性，fastai完全兼容原生的PyTorch Dataset，只需要调整DataLoader的创建方式即可。

方案1：直接用fastai提供的快捷方法生成DataLoaders（推荐） #

直接将你已有的训练集、验证集Dataset实例传给DataLoaders.from_dsets方法，fastai会自动生成符合要求的DataLoader：

from fastai.vision.data import DataLoaders
# bs对应batch_size，shuffle_train控制训练集是否打乱，验证集默认不打乱
dls = DataLoaders.from_dsets(train_dataset, val_dataset, bs=32, shuffle_train=True, num_workers=2)

方案2：手动创建fastai格式的DataLoader #

如果你需要自定义DataLoader的细节逻辑，可以用fastai自带的DataLoader类替代原生PyTorch的实现：

from fastai.data.load import DataLoader as FastaiDataLoader
from fastai.vision.data import DataLoaders

train_loader = FastaiDataLoader(train_dataset, batch_size=32, shuffle=True, num_workers=2)
# 验证集不需要打乱，建议将shuffle设为False
val_loader = FastaiDataLoader(val_dataset, batch_size=32, shuffle=False, num_workers=2)

dls = DataLoaders(train_loader, val_loader)

调整后再初始化cnn_learner即可正常运行。

内容的提问来源于stack exchange，提问作者jakes