如何选择采样器？

在机器学习中，选择合适的采样器对模型的训练和预测结果有着至关重要的影响。以下是几个常用的采样器及其使用方法：

1. RandomSampler：无放回随机采样器，适用于数据集中无需考虑样本权重分布的情况。

   from torch.utils.data import RandomSampler
   
   dataset = CustomDataset()
   sampler = RandomSampler(dataset)
   dataloader = DataLoader(dataset, sampler=sampler, batch_size=32)
   

2. WeightedRandomSampler：带权重重要性采样器，可针对样本不平衡的数据集，按照每个样本的权重分布进行采样。

   from torch.utils.data import WeightedRandomSampler
   
   weights = [0.2, 0.3, 0.5] # 样本权重，和数据集顺序一一对应
   dataset = CustomDataset()
   sampler = WeightedRandomSampler(weights, num_samples=len(dataset), replacement=True)
   dataloader = DataLoader(dataset, sampler=sampler, batch_size=32)
   

3. SequentialSampler：顺序采样器，按照数据集中的顺序进行采样。

   from torch.utils.data import SequentialSampler
   
   dataset = CustomDataset()
   sampler = SequentialSampler(dataset)
   dataloader = DataLoader(dataset, sampler=sampler, batch_size=32)
   

4. SubsetRandomSampler：从数据集的子集中采样的采样器，用户可根据具体需求设定采样的子集范围。

   from torch.utils.data import SubsetRandomSampler
   
   indices = [0, 1, 2, 3, 4, 5] # 数据集中想要采样的样本索引，可自定义
   dataset = CustomDataset()
   sampler = SubsetRandomSampler(indices)
   dataloader = DataLoader(dataset