PyTorch学习笔记：data.RandomSampler——数据随机采样
PyTorch学习笔记：data.RandomSampler——数据随机采样
torch.utils.data.RandomSampler(data_source, replacement=False, num_samples=None, generator=None)
功能：随即对样本进行采样
输入：
data_source：被采样的数据集合replacement：采样策略，如果为True，则代表使用替换采样策略，即可重复对一个样本进行采样；如果为False，则表示不用替换采样策略，即一个样本最多只能被采一次num_samples：所采样本的数量，默认采全部样本；当replacement规定为True时，可指定采样数量，即修改num_samples的大小；如果replacement设置为False，则该参数不可做修改generator：采样过程中的生成器
代码案例
一般用法
from torch.utils.data import RandomSampler
sampler = RandomSampler(range(20))
print([i for i in sampler])
输出
这里相当于对原数据做了打乱操作
[7, 17, 8, 1, 13, 9, 6, 4, 12, 18, 19, 14, 10, 3, 2, 16, 5, 15, 0, 11]
replacement设为True与False的区别
from torch.utils.data import RandomSampler
sampler_t = RandomSampler(range(20), replacement=True)
sampler_f = RandomSampler(range(20), replacement=False)
sampler_t_8 = RandomSampler(range(20), replacement=True, num_samples=8)
print('sampler_t:', [i for i in sampler_t])
print('sampler_f:', [i for i in sampler_f])
print('sampler_t_8:', [i for i in sampler_t_8])
输出
# replacement设为True时，会对同一样本多次采样
sampler_t: [7, 3, 13, 17, 4, 5, 8, 18, 15, 8, 1, 3, 17, 4, 13, 13, 16, 14, 15, 11]
# 否则一个样本只采样一次
sampler_f: [3, 5, 19, 10, 6, 7, 13, 16, 15, 9, 14, 0, 4, 18, 12, 2, 11, 17, 1, 8]
# replacement设为True时，可以规定采样数量，如这里只采8个
sampler_t_8: [1, 9, 4, 5, 11, 18, 18, 4]
官方文档
torch.utils.data.RandomSampler：https://pytorch.org/docs/stable/data.html?highlight=randomsampler#torch.utils.data.RandomSampler
初步完稿于：2022年2月22日