PyTorch中的Subset类简介与应用示例代码

import torch
from torch.utils.data import Subset
from torchvision.datasets import MNIST
# 载入MNIST数据集
dataset = MNIST(root='data/', download=True, train=True)
# 定义子集中的索引
indices = [0, 1, 2]
# 创建子集
subset = Subset(dataset, indices)
# 打印子集中的元素
for i, (image, label) in enumerate(subset):
    print(f"Index: {i}, Label: {label}")
    # 这里可以加入图像展示代码，如：image.show()

from torch.utils.data import DataLoader, random_split
# 假设我们有一个较大的数据集
large_dataset = MNIST(root='data/', download=True, train=True)
# 随机划分数据集为训练集和验证集
train_size = int(0.8 * len(large_dataset))
val_size = len(large_dataset) - train_size
train_dataset, val_dataset = random_split(large_dataset, [train_size, val_size])
# 使用Subset类来进一步细化训练集或验证集
train_indices = range(100)  # 假设我们只用前100个样本来训练
train_subset = Subset(train_dataset, train_indices)
# 创建DataLoader
train_loader = DataLoader(train_subset, batch_size=10, shuffle=True)
# 现在可以使用train_loader来训练模型了