PyTorch学习笔记:data.RandomSampler——数据随机采样

这篇具有很好参考价值的文章主要介绍了PyTorch学习笔记:data.RandomSampler——数据随机采样。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

PyTorch学习笔记:data.RandomSampler——数据随机采样

torch.utils.data.RandomSampler(data_source, replacement=False, num_samples=None, generator=None)

功能:随即对样本进行采样

输入:

  • data_source:被采样的数据集合
  • replacement:采样策略,如果为True,则代表使用替换采样策略,即可重复对一个样本进行采样;如果为False,则表示不用替换采样策略,即一个样本最多只能被采一次
  • num_samples:所采样本的数量,默认采全部样本;当replacement规定为True时,可指定采样数量,即修改num_samples的大小;如果replacement设置为False,则该参数不可做修改
  • generator:采样过程中的生成器

代码案例

一般用法

from torch.utils.data import RandomSampler

sampler = RandomSampler(range(20))
print([i for i in sampler])

输出

这里相当于对原数据做了打乱操作

[7, 17, 8, 1, 13, 9, 6, 4, 12, 18, 19, 14, 10, 3, 2, 16, 5, 15, 0, 11]

replacement设为TrueFalse的区别

from torch.utils.data import RandomSampler

sampler_t = RandomSampler(range(20), replacement=True)
sampler_f = RandomSampler(range(20), replacement=False)
sampler_t_8 = RandomSampler(range(20), replacement=True, num_samples=8)
print('sampler_t:', [i for i in sampler_t])
print('sampler_f:', [i for i in sampler_f])
print('sampler_t_8:', [i for i in sampler_t_8])

输出

# replacement设为True时,会对同一样本多次采样
sampler_t: [7, 3, 13, 17, 4, 5, 8, 18, 15, 8, 1, 3, 17, 4, 13, 13, 16, 14, 15, 11]
# 否则一个样本只采样一次
sampler_f: [3, 5, 19, 10, 6, 7, 13, 16, 15, 9, 14, 0, 4, 18, 12, 2, 11, 17, 1, 8]
# replacement设为True时,可以规定采样数量,如这里只采8个
sampler_t_8: [1, 9, 4, 5, 11, 18, 18, 4]

官方文档

torch.utils.data.RandomSampler:https://pytorch.org/docs/stable/data.html?highlight=randomsampler#torch.utils.data.RandomSampler

初步完稿于:2022年2月22日文章来源地址https://www.toymoban.com/news/detail-404482.html

到了这里,关于PyTorch学习笔记:data.RandomSampler——数据随机采样的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 图采样、随机游走、subgraph的实现

    诸神缄默不语-个人CSDN博文目录 本博文主要关注如何用代码实现图采样、随机游走、subgraph(为什么这些东西放在一起写,我感觉还蛮直觉的)。 随机游走和subgraph我之前都写过不少博文了,可以参考↑ 这个主要是我前年还在干GNN时候接到过一个做数据集的项目,所以需要实

    2024年02月17日
    浏览(41)
  • ArcGIS如何自动获得随机采样点?

      本文介绍基于 ArcMap 软件,实现在指定区域 自动 生成 随机点 的方法。   在 GIS 应用中,我们时常需要在研究区域内进行地理数据的随机采样;而采样点的位置往往需要在结合实际情况的前提下,用计算机随机生成。这一操作在 ArcMap 软件中就可以非常方便地进行。  

    2024年02月05日
    浏览(38)
  • PyTorch深度学习实战 | 基于多层感知机模型和随机森林模型的某地房价预测

    简介: 在现实生活中,除了分类问题外,也存在很多需要预测出具体值的回归问题,例如年龄预测、房价预测、股价预测等。相比分类问题而言,回归问题输出类型为一个连续值,如下表所示为两者的区别。在本文中,将完成房价预测这一回归问题。 ■ 分类问题与回归问题

    2023年04月12日
    浏览(49)
  • 静息态功能磁共振成像(rs-fMRI)原理与数据分析学习笔记(3):R-fMRI Data Processing DPARSFA

    视频来自:3_R-fMRI_Data_Processing_DPARSFA_哔哩哔哩_bilibili pdf:The R-fMRI Course | The R-fMRI Network 目录 1. DPABI基本流程和下载方式 1.1. 静息态功能磁共振成像数据流程 1.2. DPABI下载 2. DPABI软件操作 2.1. 数据分类和整合 (1)总流程 (2)计算指标         ① 传统         ②通常使用(

    2024年02月03日
    浏览(39)
  • 【机器学习】随机种子Random Seed介绍(在Python、Pytorch、TensorFlow中的设置代码汇总)

    Random seed(随机种子) 是在生成随机数时使用的起始点。它用于控制随机数生成器产生随机数的序列。设置了随机种子后,每次生成的随机数序列将是确定性的,这意味着可以在不同的运行中获得相同的随机数序列,从而使实验可复现。 在机器学习中,确保实验的可复现性是

    2024年02月05日
    浏览(64)
  • 贪心算法、贪心搜索/采样(greedy search/sampling)、集束搜索(beam search)、随机采样(random sample)

    贪心算法,又名贪婪法,是寻找 最优解问题 的常用方法,这种方法模式一般将求解过程分成 若干个步骤 ,但每个步骤都应用贪心原则,选取 当前状态下 最好/最优的选择 (局部最有利的选择),并以此希望 最后堆叠出 的结果也是最好/最优的解。{看着这个名字,贪心,贪

    2024年02月15日
    浏览(44)
  • 基于PCL的RANSAC(随机采样一致)算法简介与示例

    RANSAC(Random sample consensus,随机采样一致)是3D点云拟合的一种重要的手段,可以对直线、圆、平面,圆球、圆柱等形状的点云进行拟合,其优点在于可以最大程度上减少噪声点对拟合效果的影响。 RANSAC各种类型拟合的计算原理基本类似。 1,进行随机抽样,如直线,就随机找

    2024年02月02日
    浏览(47)
  • (一)连续随机数的生成-从混合高斯分布中采样

    Example 1 : Mixture of Gaussian distribution Let X 1 ∼ N ( μ 1 , σ 1 2 ) , X 2 ∼ N ( μ 2 , σ 2 2 ) X_1 sim Nleft(mu_1, sigma_1^2right), X_2 sim Nleft(mu_2, sigma_2^2right) X 1 ​ ∼ N ( μ 1 ​ , σ 1 2 ​ ) , X 2 ​ ∼ N ( μ 2 ​ , σ 2 2 ​ ) with σ 1 0 sigma_10 σ 1 ​ 0 and σ 2 0 sigma_20 σ 2 ​ 0 , and let X 1 X_1 X 1 ​

    2024年02月11日
    浏览(38)
  • python pytorch 纯算法实现前馈神经网络训练(数据集随机生成)-续

    上一次的代码博主看了,有两个小问题其实,一个是,SGD优化的时候,那个梯度应该初始化为0,还一个是我并没有用到随机生成batch。 博主修改了代码,并且加入了accuracy图像绘制的代码。代码如下: 可一下跑出的结果: 可以看到这样看下来,效果就很不错了。

    2024年02月13日
    浏览(41)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包