嘿，我来帮你搞定这个问题！你用torchvision.datasets.ImageFolder加载了包含Negatives和Positives两类的数据集，想要在GAN训练循环里分别拿到这两类的图像批次对吧？下面给你几种实用的解决方案，挑适合你的来用：

方法一：在迭代DataLoader时实时过滤批次样本 #

这是最直接的方法，每次从DataLoader拿到批次后，根据标签筛选出正负类样本：

import torch
from torch.utils.data import DataLoader
from torchvision.datasets import ImageFolder
from torchvision import transforms

# 先完成数据集和DataLoader的初始化
DATA_FOLDER = './tf_data/plasmodium_photos/'
transform = transforms.Compose([
    transforms.Resize((28, 28)),
    transforms.ToTensor(),
])
dataset = ImageFolder(root=DATA_FOLDER, transform=transform)
dataloader = DataLoader(dataset, batch_size=32, shuffle=True)

# 先确认类别对应的标签值（ImageFolder按文件夹字母顺序分配标签）
print("类别与标签映射：", dataset.class_to_idx)
# 输出类似 {'Negatives': 0, 'Positives': 1}，具体看你的文件夹名称顺序

# 训练循环中分离正负类批次
for images, labels in dataloader:
    # 根据标签筛选
    neg_mask = (labels == 0)  # 假设Negatives对应标签0
    pos_mask = (labels == 1)  # 假设Positives对应标签1
    
    neg_batch = images[neg_mask]
    pos_batch = images[pos_mask]
    
    # 注意：如果批次里某类样本数量为0，要做判断避免后续报错
    if len(neg_batch) > 0 and len(pos_batch) > 0:
        # 这里就可以用两个批次进行GAN训练了
        # 比如把正类给判别器，负类或生成样本参与训练...
        pass

这种方法的好处是不用额外修改数据集结构，适合快速验证，但如果你的batch size较小，可能会出现某个批次里没有其中一类样本的情况，记得加判断处理。

方法二：拆分数据集为两个独立的DataLoader #

如果你希望每次拿到的都是纯的正负类批次，可以把原数据集拆分成两个子集，再分别创建DataLoader：

from torch.utils.data import Subset

# 获取两类样本的索引
neg_indices = [i for i, (_, label) in enumerate(dataset) if label == 0]
pos_indices = [i for i, (_, label) in enumerate(dataset) if label == 1]

# 创建正负类子集
neg_dataset = Subset(dataset, neg_indices)
pos_dataset = Subset(dataset, pos_indices)

# 创建各自的DataLoader
neg_dataloader = DataLoader(neg_dataset, batch_size=32, shuffle=True)
pos_dataloader = DataLoader(pos_dataset, batch_size=32, shuffle=True)

# 训练时同时迭代两个DataLoader（用cycle处理两类数据量不一致的情况）
from itertools import cycle

for neg_batch, pos_batch in zip(cycle(neg_dataloader), cycle(pos_dataloader)):
    # neg_batch是纯负类图像，pos_batch是纯正类图像
    # 执行你的GAN训练逻辑
    pass

这种方法更稳定，每次拿到的批次都是单一类别，适合两类数据量差异不大的场景；如果其中一类数据量少，用cycle可以循环迭代它，保证训练能持续进行。

方法三：使用自定义Sampler加载指定类别 #

如果你不想拆分数据集，还可以通过自定义Sampler来让DataLoader只加载指定类别的样本：

from torch.utils.data.sampler import Sampler

class ClassSampler(Sampler):
    def __init__(self, dataset, target_class):
        # 筛选出目标类别的所有样本索引
        self.indices = [i for i, (_, label) in enumerate(dataset) if label == target_class]
    
    def __iter__(self):
        return iter(self.indices)
    
    def __len__(self):
        return len(self.indices)

# 创建正负类对应的采样器
neg_sampler = ClassSampler(dataset, target_class=0)
pos_sampler = ClassSampler(dataset, target_class=1)

# 创建只加载对应类别的DataLoader
neg_dataloader = DataLoader(dataset, batch_size=32, sampler=neg_sampler)
pos_dataloader = DataLoader(dataset, batch_size=32, sampler=pos_sampler)

# 训练时直接迭代两个DataLoader即可
for neg_batch in neg_dataloader:
    # 处理负类批次
    pass

for pos_batch in pos_dataloader:
    # 处理正类批次
    pass

这种方法和拆分数据集的效果类似，但不需要创建子集，直接通过采样器控制加载的样本，灵活性更高。

额外提示 #

• 如果你同时在用TensorFlow和PyTorch，记得注意张量的设备转换（比如用.to('cuda')或.cpu()切换设备），避免跨框架的张量操作报错。
• 可以通过len(neg_dataset)和len(pos_dataset)查看两类数据的数量，方便调整batch size和训练策略。

内容的提问来源于stack exchange，提问作者Vladimir Fomene