Python 如何更改pytorch的datafolder中的标签？

我首先加载未标记的数据集，如下所示：

unlabeled\u set=DatasetFolder（“food-11/training/unlabeled”，loader=lambda x:Image.open（x），extensions=“jpg”，transform=train\u tfm）

现在，由于我试图进行半监督学习：我试图定义以下函数。输入“dataset”是我刚刚加载的未标记的_集

由于我想将数据集的标签更改为我预测的标签，而不是原始标签（所有原始标签都是1），我该怎么做

我曾尝试使用dataset.targets更改标签，但根本不起作用。 以下是我的职责：

import torch
def get_pseudo_labels(dataset, model, threshold=0.07):
    # This functions generates pseudo-labels of a dataset using given model.
    # It returns an instance of DatasetFolder containing images whose prediction confidences exceed a given threshold.
    # You are NOT allowed to use any models trained on external data for pseudo-labeling.
    device = "cuda" if torch.cuda.is_available() else "cpu"
    x = []
    y = []
  
    # print(dataset.targets[0])

    # Construct a data loader.
    data_loader = DataLoader(dataset, batch_size=batch_size, shuffle=False)

    # Make sure the model is in eval mode.
    model.eval()
    # Define softmax function.
    softmax = nn.Softmax()
    counter = 0
    # Iterate over the dataset by batches.
    for batch in tqdm(data_loader):
        img, _ = batch

        # Forward the data
        # Using torch.no_grad() accelerates the forward process.
        with torch.no_grad():
            logits = model(img.to(device))

        # Obtain the probability distributions by applying softmax on logits.
        probs = softmax(logits)
        count = 0
        # ---------- TODO ----------
        # Filter the data and construct a new dataset.
        dataset.targets = torch.tensor(dataset.targets)
        for p in probs:
          if torch.max(p) >= threshold:
            if not(counter in x):
              x.append(counter)
            dataset.targets[counter] = torch.argmax(p)
            
          counter += 1

    
    # Turn off the eval mode.
    model.train()
    # dat = DataLoader(ImgDataset(x,y), batch_size=batch_size, shuffle=False)
    print(dataset.targets[10])
    new = torch.utils.data.Subset(dataset, x)
    
    return new```

---

PyTorch数据集可以返回值的元组，但它们没有固有的“特性”/“目标”区别。您可以这样创建修改后的数据集：

labeled_data=[*zip（数据集，标签）]
数据加载器=数据加载器（标记为数据集，批量大小=批量大小，随机播放=假）
对于IMG，数据加载器中的标签：#每批
...

谢谢您的回答！我已修复以下代码的问题：。为其他人张贴在这里@李彥儒 如果这有助于你解决问题，你介意接受它吗？