使用torchvision.transforms.Lambda自定义函数时程序卡顿求助

首先修正噪声添加逻辑（核心错误） #

你的my_norm函数完全替换了原始图像数据，既不符合"给图像加噪声"的需求，也可能引发数据加载异常。正确的噪声添加逻辑应该是将噪声叠加到原始图像上，并保持图像像素范围在[0,1]（ToTensor()会将图像转为0-1区间的张量）：

def add_noise(x):
    # 生成与原始图像同形状的高斯噪声，控制噪声幅度
    noise = 0.1 * torch.randn_like(x)
    # 叠加噪声后限制在图像有效像素范围
    return torch.clamp(x + noise, 0.0, 1.0)

解决DataLoader卡顿的具体调整 #

• 调整num_workers参数
  在Jupyter Notebook中，num_workers>0常因子进程管理问题导致卡顿或死锁（尤其Windows系统）。先设置num_workers=0测试：

  trainloader_noised = torch.utils.data.DataLoader(trainset_noised, batch_size=64, shuffle=False, num_workers=0)
  testloader_noised = torch.utils.data.DataLoader(testset_noised, batch_size=64, shuffle=False, num_workers=0)
  

  若需多进程加载，确保环境支持且num_workers不超过CPU核心数的一半。

• 优化张量操作效率
  用torch.randn_like(x)替代torch.randn(x.shape)，它会直接复用输入张量的设备和形状信息，操作更高效。

• 先验证单样本加载
  单独测试单个样本的加载逻辑，排除transform函数的问题：

  sample, label = trainset_noised[0]
  print(sample.shape, sample.min(), sample.max())
  

  若这一步就卡顿，优先排查transform函数逻辑。

• 清理Jupyter后台资源
  暂时关闭代码补全等后台服务，或重启Kernel后重试，避免后台进程占用资源导致加载卡顿。

内容的提问来源于stack exchange，提问作者Knotnet