Python pytorch自定义数据集：DataLoader返回张量列表，而不是列表的张量

我将我的训练数据定义为

[（[1,3,5]，0），（[2,4,6]，1）]

：输入（

[1,3,5]

）成对目标（

0

）

但当我从数据加载器获取数据时，它会变成：

import torch

class Custom_Dataset(torch.utils.data.dataset.Dataset):
    def __init__(self, _dataset):
        self.dataset = _dataset

    def __getitem__(self, index):
        example, target = self.dataset[index]
        return example, target

    def __len__(self):
        return len(self.dataset)

train_data = [([1, 3, 5], 0),
              ([2, 4, 6], 1)]
train_loader = torch.utils.data.DataLoader(dataset=Custom_Dataset(train_data),
                                           batch_size=1,
                                           shuffle=False)

for inputs, targets in train_loader:
    print(inputs)
    print(targets)

我如何取而代之：

[tensor([1]), tensor([3]), tensor([5])]
tensor([0])

?

---

我知道

torch.stack

可以做到这一点，但我可以在自定义数据集类中转换它吗？

获得所需输入的一种解决方案是使用

numpy

。下面我只修改了示例中的两行，以使其正常工作

tensor([[1],
        [3],
        [5]])
tensor([0])

此代码的输出将是

import torch
import numpy as np

class Custom_Dataset(torch.utils.data.dataset.Dataset):
    def __init__(self, _dataset):
        self.dataset = _dataset

    def __getitem__(self, index):
        example, target = self.dataset[index]
        return np.array(example), target

    def __len__(self):
        return len(self.dataset)

train_data = [([1, 3, 5], 0),
              ([2, 4, 6], 1)]
train_loader = torch.utils.data.DataLoader(dataset=Custom_Dataset(train_data),
                                           batch_size=1,
                                           shuffle=False)

for inputs, targets in train_loader:
    print(inputs)
    print(targets)

当然，我假设有一个行向量或列向量对你没有任何影响。否则，您可能需要检查

希望这有帮助

tensor([[1, 3, 5]])
tensor([0]) 

tensor([[2, 4, 6]])
tensor([1])