使用Python中的SubsetRandomSampler()函数实现数据集的随机抽样

在Python中，SubsetRandomSampler()函数是PyTorch库（一个用于构建深度学习模型的库）中的一个函数，用于实现数据集的随机抽样。SubsetRandomSampler()函数可以方便地将数据集按照给定的索引进行随机抽样，可以用于划分训练集和验证集。

下面是一个使用SubsetRandomSampler()函数实现数据集的随机抽样的例子：

import torch
from torchvision import datasets
import numpy as np
from torch.utils.data import SubsetRandomSampler

# 加载MNIST数据集
train_dataset = datasets.MNIST(root='./data', train=True, download=True)

# 创建数据集的索引列表
indices = list(range(len(train_dataset)))

# 随机打乱索引列表
np.random.shuffle(indices)

# 划分训练集和验证集的比例
split = int(len(train_dataset) * 0.2)

# 创建训练集和验证集的SubsetRandomSampler对象
train_sampler = SubsetRandomSampler(indices[split:])
valid_sampler = SubsetRandomSampler(indices[:split])

# 创建数据加载器
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, sampler=train_sampler)
valid_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, sampler=valid_sampler)

# 输出训练集和验证集的样本数量
print("训练集样本数量:", len(train_loader.sampler))
print("验证集样本数量:", len(valid_loader.sampler))

# 使用训练集数据加载器进行训练模型
for data, target in train_loader:
    # 训练模型的逻辑
    pass

# 使用验证集数据加载器进行验证模型
for data, target in valid_loader:
    # 验证模型的逻辑
    pass

在以上代码中，我们首先导入了必要的库，然后加载了MNIST数据集。接着，我们创建了数据集的索引列表，并通过numpy库的shuffle()函数随机打乱了索引列表。

然后，我们使用int()函数将数据集的20%划分为验证集，剩余80%作为训练集。接着，我们使用SubsetRandomSampler()函数创建了训练集和验证集的Sampler对象，传入对应的索引。

最后，我们通过torch.utils.data.DataLoader()函数将训练集和验证集的数据加载器创建好，并指定了每个批次的样本数量。

最后，在训练和验证模型的逻辑中，我们分别使用训练集数据加载器和验证集数据加载器来迭代获取数据和标签并进行相应的操作。

通过使用SubsetRandomSampler()函数，我们可以方便地实现数据集的随机抽样，用于划分训练集和验证集等应用场景。