如何使用 map() 方法实现自定义 Pytorch 数据集

Question

许多 Pytorch 示例都使用 Dataset map() 方法。例如：

https://huggingface.co/voidful/wav2vec2-large -xlsr-53-tw-gpt

ds = load_dataset("common_voice", 'zh-TW', split="test")
ds = ds.cast_column("audio", Audio(sampling_rate=16_000))
def map_to_array(batch):
    audio = batch["audio"]
    batch["speech"] = processor(audio["array"], sampling_rate=audio["sampling_rate"]).input_values[0]
    batch["sampling_rate"] = audio["sampling_rate"]
    batch["sentence"] = re.sub(chars_to_ignore_regex, '', batch["sentence"]).lower().replace("’", "'")
    return batch
ds = ds.map(map_to_array)

def map_to_pred(batch):
    features = processor(batch["speech"], sampling_rate=batch["sampling_rate"][0], padding=True, return_tensors="pt")
    input_values = features.input_values.to(device)
    attention_mask = features.attention_mask.to(device)
    with torch.no_grad():
        logits = model(input_values, attention_mask=attention_mask).logits
    pred_ids = torch.argmax(logits, dim=-1)
    batch["predicted"] = processor.batch_decode(pred_ids)
    batch["target"] = batch["sentence"]
    return batch


result = ds.map(map_to_pred, batched=True, batch_size=3, remove_columns=list(ds.features.keys()))

然而，实现自定义地图样式数据集只需要 __len__() 和__getitem__()

将自定义数据集转换为具有示例所需的所有有用方法的正确方法是什么？