PyTorch修改图像像素无效问题求助：张量元素未改变

问题根源 #

每次访问trainset[0][0]时，都会重新从原CIFAR10数据集加载图片并执行完整的transform流程，返回的是新的临时张量。你修改的只是这个临时张量，并没有改变磁盘上的原始图片或数据集的底层缓存。再加上torch.utils.data.Subset本身只是原数据集的索引映射，不存储实际数据，每次取数都会调用原数据集的__getitem__方法重新生成张量，所以看起来修改完全没生效。

解决方法 #

方法1：将数据预加载到内存（适合CIFAR10这类小数据集） #

把筛选后的所有数据一次性加载到内存中，这样修改后能永久保存：

transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

# 加载完整数据集
full_trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)

# 筛选目标类别并预加载数据到内存
indices_train = [i for i in range(len(full_trainset)) if full_trainset.targets[i] in [1,2]]
data = []
targets = []
for idx in indices_train:
    img, label = full_trainset[idx]
    data.append(img)
    targets.append(label)

# 自定义内存数据集类
class InMemoryDataset(torch.utils.data.Dataset):
    def __init__(self, data, targets):
        self.data = data
        self.targets = targets
    
    def __len__(self):
        return len(self.data)
    
    def __getitem__(self, idx):
        return self.data[idx], self.targets[idx]

# 构建可修改的数据集
trainset = InMemoryDataset(data, targets)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2)

# 现在修改会永久生效
print(trainset[0][0][:,1,1])
trainset[0][0][:,1,1] = 0
print(trainset[0][0][:,1,1])

方法2：自定义Transform实现数据增强（对比学习常规做法） #

对比学习的数据增强通常通过自定义Transform类实现，而非手动修改单个样本。比如要随机将某个像素置0，可以这样写：

import random

class SetRandomPixelToZero:
    def __call__(self, img):
        # img是ToTensor处理后的张量
        h, w = img.shape[1], img.shape[2]
        x = random.randint(0, h-1)
        y = random.randint(0, w-1)
        img[:, x, y] = 0.0
        return img

# 更新transform链
transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)),
     SetRandomPixelToZero()])

# 后续数据集加载流程不变，每次取数自动应用增强
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
indices_train = [i for i in range(len(trainset)) if trainset.targets[i] in [1,2]]
trainset = torch.utils.data.Subset(trainset, indices_train)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2)

方法3：临时修改单一样本（仅用于测试） #

如果只是临时测试修改效果，可以直接获取张量修改，但不会永久保存到数据集：

img, label = trainset[0]
print(img[:,1,1])
img[:,1,1] = 0
print(img[:,1,1])
# 注意：这个修改后的img是临时变量，下次调用trainset[0]仍会返回原始数据

内容的提问来源于stack exchange，提问作者Winger 14