pytorch自定义数据集代码

PyTorch 自定义数据集主要是为了处理非标准的数据输入格式或者需要特定预处理步骤的情况。以下是一个简单的例子，展示如何创建一个自定义的 PyTorch 数据集：

import torch
from torch.utils.data import Dataset

class CustomDataset(Dataset):
    def __init__(self, data, labels, transform=None):
        self.data = data
        self.labels = labels
        self.transform = transform

    def __len__(self):
        return len(self.data)

    def __getitem__(self, idx):
        sample = self.data[idx]
        label = self.labels[idx]

        if self.transform:
            # 如果有预处理函数，对样本进行处理
            sample = self.transform(sample)

        return sample, label

# 使用示例：
data_list = ...  # 包含图像路径或numpy数组的数据列表
labels_list = ...  # 相应的标签列表

transform = ...  # 可选的图像预处理操作，如ToTensor()、Resize()等

custom_dataset = CustomDataset(data_list, labels_list, transform=transform)
dataloader = torch.utils.data.DataLoader(custom_dataset, batch_size=32, shuffle=True)

for images, targets in dataloader:
    # 这里images是预处理后的batch数据，targets是对应的标签

在这个例子中，`CustomDataset`类继承了`torch.utils.data.Dataset`，并覆盖了`__len__`和`__getitem__`方法。`__len__`返回数据集中元素的数量，`__getitem__`负责从数据集中获取指定索引处的样本和其对应标签。

你可以根据实际需求添加更多的属性和方法，比如数据增强、错误检查等。