基于PyTorch DataLoader的时序图像多步预测数据加载方案咨询

1. 自定义Dataset实现滑动窗口采样 #

这是实现需求的核心，通过自定义Dataset类，根据索引生成**输入窗口（10张）+ 预测窗口（10张）**的样本，天然支持0-19、1-20这类滑动窗口：

import torch
from torch.utils.data import Dataset

class TimeSeriesImageDataset(Dataset):
    def __init__(self, image_sequence, input_window=10, pred_window=10):
        self.imgs = image_sequence  # 按时间顺序排列的图像数组/列表
        self.in_len = input_window
        self.pred_len = pred_window
        self.total_window = self.in_len + self.pred_len
        # 计算有效索引的最大值，避免越界
        self.max_valid_idx = len(self.imgs) - self.total_window

    def __len__(self):
        # 返回所有有效滑动窗口的数量
        return self.max_valid_idx + 1

    def __getitem__(self, idx):
        if idx > self.max_valid_idx:
            raise IndexError("Index out of valid window range")
        # 取当前窗口的所有图像
        window_slice = slice(idx, idx + self.total_window)
        window_imgs = self.imgs[window_slice]
        # 拆分输入和预测部分
        input_imgs = window_imgs[:self.in_len]
        target_imgs = window_imgs[self.in_len:]
        # 转成张量（根据你的图像格式调整，比如PIL转Tensor）
        input_imgs = torch.tensor(input_imgs).float()
        target_imgs = torch.tensor(target_imgs).float()
        return input_imgs, target_imgs

2. DataLoader配置 #

因为是时间序列，必须关闭shuffle，保证窗口的时间顺序：

from torch.utils.data import DataLoader

# 假设你已经有按时间排序的图像序列image_list
dataset = TimeSeriesImageDataset(image_list)
dataloader = DataLoader(dataset, batch_size=1, shuffle=False, num_workers=2)

迭代这个dataloader时，每个返回的batch就是一组(输入10张, 目标10张)的样本，依次对应0-19、1-20、2-21这类滑动窗口。

3. 训练与验证切换逻辑 #

• 方案1：拆分数据集
  把原始图像序列分成训练段和验证段，比如前N-20张做训练，最后20张做验证。训练时用训练集的dataloader，每完成一轮训练后，用验证集的dataloader做预测验证。
• 方案2：按步数切换
  训练时记录当前处理的窗口索引，当处理到索引10（对应覆盖第10-29张图像）时，切换到验证模式，用验证集的dataloader生成样本做预测验证。

内容的提问来源于stack exchange，提问作者MM360