如何在PyTorch自定义变换__call__中传额外时间轴参数且不参与训练

这里有两种直接可行的方案，核心都是让时间轴仅在变换阶段发挥作用，不会流入模型训练流程：

方案1：让Dataset返回数据+时间轴的元组，自定义变换处理后仅返回数据 #

这是最适配你场景的方法——因为每个样本的时间轴不同，我们可以在Dataset的__getitem__里把数据和对应时间轴打包返回，然后自定义变换接收这个元组，用时间轴完成变换逻辑后，只返回处理好的数据给后续流程。

代码示例： #

自定义数据集类

import torch
from torch.utils.data import Dataset, DataLoader
from torchvision.transforms import Compose

class CustomTimeDataset(Dataset):
    def __init__(self, data_samples, timestamp_samples):
        self.data = data_samples
        self.timestamps = timestamp_samples

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

    def __getitem__(self, idx):
        # 返回数据和对应时间轴的元组
        return self.data[idx], self.timestamps[idx]

自定义变换类

class TimeDependentTransform:
    def __call__(self, sample):
        # 解包元组，拿到数据和时间轴
        data, timestamps = sample
        # 这里写你的具体变换逻辑，比如基于时间轴做归一化、插值等
        # 举个例子：用时间轴做数据的时间加权
        transformed_data = [d * t for d, t in zip(data, timestamps)]
        # 只返回处理后的实际数据，时间轴不会继续往下传
        return torch.tensor(transformed_data, dtype=torch.float32)

组合使用

# 模拟你的数据集
data_list = [[1,2,3,4], [5,6,7,8], [9,10,11,12]]
timestamp_list = [[0, 0.2, 0.4, 0.6], [0, 0.1, 0.2, 0.3], [0, 0.5, 1.0, 1.5]]

# 构建数据集和变换
dataset = CustomTimeDataset(data_list, timestamp_list)
transform = Compose([TimeDependentTransform()])
dataset.transform = transform

# 构建DataLoader
dataloader = DataLoader(dataset, batch_size=2)

# 测试输出，模型拿到的只有处理后的数据
for batch in dataloader:
    print("模型接收的batch数据：")
    print(batch)

方案2：将时间轴嵌入数据字典，变换后剔除时间字段 #

如果习惯用字典来组织样本，也可以让Dataset返回包含data和timestamps的字典，变换处理后只返回data字段，同样能避免时间轴进入模型。

代码示例： #

自定义数据集类

class CustomDictDataset(Dataset):
    def __init__(self, data_samples, timestamp_samples):
        self.data = data_samples
        self.timestamps = timestamp_samples

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

    def __getitem__(self, idx):
        return {
            "data": self.data[idx],
            "timestamps": self.timestamps[idx]
        }

自定义变换类

class DictBasedTimeTransform:
    def __call__(self, sample_dict):
        data = sample_dict["data"]
        timestamps = sample_dict["timestamps"]
        # 执行变换逻辑
        transformed_data = [d + t for d, t in zip(data, timestamps)]
        # 只返回数据
        return torch.tensor(transformed_data, dtype=torch.float32)

两种方案的核心逻辑一致：让时间轴只在变换阶段被读取使用，变换完成后仅传递模型需要的实际数据，完全不会出现时间轴参与训练的问题。

内容的提问来源于stack exchange，提问作者oas