Python Pytorch上具有相同标签的批量点

我想用梯度下降法训练一个神经网络，每个批次包含N个训练点。我希望这些批次只包含具有相同标签的点，而不是从训练集中随机抽样

例如，如果我正在使用MNIST进行培训，我希望有如下所示的批处理：

batch_1 = {0,0,0,0,0,0,0,0}

batch_2 = {3,3,3,3,3,3,3,3}

batch_3 = {7,7,7,7,7,7,7,7}

等等

---

我如何使用Pytork进行操作

一种方法是为每个类创建子集和数据加载器，然后通过在每次迭代中随机切换数据加载器进行迭代：

import torch
from torch.utils.data import DataLoader, Subset
from torchvision.datasets import MNIST
from torchvision import transforms
import numpy as np

dataset = MNIST('path/to/mnist_root/', 
                transform=transforms.ToTensor(),
                download=True)

class_inds = [torch.where(dataset.targets == class_idx)[0]
              for class_idx in dataset.class_to_idx.values()]

dataloaders = [
    DataLoader(
        dataset=Subset(dataset, inds),
        batch_size=8,
        shuffle=True,
        drop_last=False)
    for inds in class_inds]

epochs = 1

for epoch in range(epochs):
    iterators = list(map(iter, dataloaders))   
    while iterators:         
        iterator = np.random.choice(iterators)
        try:
            images, labels = next(iterator)   
            print(labels)
            # do_more_stuff()

        except StopIteration:
            iterators.remove(iterator)

tensor([6, 6, 6, 6, 6, 6, 6, 6])
tensor([3, 3, 3, 3, 3, 3, 3, 3])
tensor([0, 0, 0, 0, 0, 0, 0, 0])
tensor([5, 5, 5, 5, 5, 5, 5, 5])
tensor([8, 8, 8, 8, 8, 8, 8, 8])
tensor([0, 0, 0, 0, 0, 0, 0, 0])
...
tensor([1, 1, 1, 1, 1, 1, 1, 1])
tensor([1, 1, 1, 1, 1, 1])

这将适用于任何数据集（而不仅仅是MNIST）。 以下是每次迭代打印标签的结果：

import torch
from torch.utils.data import DataLoader, Subset
from torchvision.datasets import MNIST
from torchvision import transforms
import numpy as np

dataset = MNIST('path/to/mnist_root/', 
                transform=transforms.ToTensor(),
                download=True)

class_inds = [torch.where(dataset.targets == class_idx)[0]
              for class_idx in dataset.class_to_idx.values()]

dataloaders = [
    DataLoader(
        dataset=Subset(dataset, inds),
        batch_size=8,
        shuffle=True,
        drop_last=False)
    for inds in class_inds]

epochs = 1

for epoch in range(epochs):
    iterators = list(map(iter, dataloaders))   
    while iterators:         
        iterator = np.random.choice(iterators)
        try:
            images, labels = next(iterator)   
            print(labels)
            # do_more_stuff()

        except StopIteration:
            iterators.remove(iterator)

tensor([6, 6, 6, 6, 6, 6, 6, 6])
tensor([3, 3, 3, 3, 3, 3, 3, 3])
tensor([0, 0, 0, 0, 0, 0, 0, 0])
tensor([5, 5, 5, 5, 5, 5, 5, 5])
tensor([8, 8, 8, 8, 8, 8, 8, 8])
tensor([0, 0, 0, 0, 0, 0, 0, 0])
...
tensor([1, 1, 1, 1, 1, 1, 1, 1])
tensor([1, 1, 1, 1, 1, 1])

---

请注意，通过设置

drop\u last=False

，这里和那里会有批大小小于

batch\u的元素。如果将其设置为True，则所有批次的大小都相同，但会删除一些数据点。
每个类中的点数不同，不必除以批次大小。那你打算怎么处理呢？是否应该有一些批次包含不同的类（例如，在某一点上，您将有3个0类分数剩余），或者您希望删除不适合一个批次的分数？培训点数可能也不能被批次大小整除，因此这不应该是一个问题，对吗？例如，0类中有5923个分数，因此，如果你把它们分成大小为8的批次，你将有740个这样的批次（740*8=5920），剩下3个0级的点。你把它们放在哪里？当你有50000个训练点和128个批量时会发生什么？它们也不可分割，但这是一种非常常见的设置。为了回答你的问题，我可以在一个特定的时期内放弃一些分数。谢谢我错了，抱歉，删除了我的答案。