Machine learning 如何随机洗牌Pytorch数据集的标签？

我是Pytorch的新手，在一些技术问题上遇到了麻烦。我已使用以下命令下载了MNIST数据集：

train_dataset = dsets.MNIST(root='./data', 
                            train=True, 
                            transform=transforms.ToTensor(),
                            download=True)

我现在需要在这个数据集上运行一些实验，但是使用随机标签。我如何随机洗牌/重新分配它们

我试图手动执行此操作，但它告诉我“'tuple'对象不支持项分配”。那我怎么做呢

第二个问题：如何从数据集中删除训练点？当我尝试这样做的时候，它给了我同样的错误

---

谢谢

如果只想洗牌目标，可以使用参数。例如：

train_dataset=dsets.MNIST（根='。/data'，
火车=真的，
transform=transforms.ToTensor（），
target_transform=lambda y:torch.randint（0,10，（1，））.item（），
下载=真）

如果您想对数据集进行更精细的调整， 你可以完全包起来

类MyTwistedMNIST（torch.utils.data.Dataset）：
定义初始化（self，my_args）：
超级（MyTwistedMNIST，self）。\uuuu init\uuuu（）
self.orig_mnist=dset.mnist（…）
定义uu获取项目uu（自身，索引）：
x、 y=self.orig_mnist[索引]#获取原始项
my_x=#更改输入数字图像x？
my_y=#更改原始标签y？
归还我的x，我的y
定义（自我）：
返回self.orig\u mnist.\uuu len\uuu（）

---

如果您希望完全丢弃原始mnist中的某些元素，而不是通过环绕原始mnist，则您的

MyTwistedMNIST

类可以返回小于

self.orig\mnist的
len
。\uu len\uuu（）

以反映您想要处理的实际mnist示例的数量。此外，您需要将示例的新

索引

映射到原始mnist索引。

您所说的“删除训练点”是什么意思？我希望在59999上训练，而不是在60000个元素上训练，并保持最后一个元素未经训练