from torch.utils.data.sampler import SubsetRandomSampler

SubsetRandomSampler是PyTorch中的一个采样器类，用于在给定数据集的子集上进行随机采样。它可以用于创建mini-batch训练数据集和验证数据集。

在使用SubsetRandomSampler时，你需要提供一个索引列表，该列表表示数据集中的样本索引。然后SubsetRandomSampler将根据这些索引随机选择样本。

下面是一个使用SubsetRandomSampler的示例：

import torch
from torch.utils.data import DataLoader, Dataset
from torch.utils.data.sampler import SubsetRandomSampler

# 创建自定义数据集
class CustomDataset(Dataset):
    def __init__(self):
        self.data = [1, 2, 3, 4, 5]

    def __getitem__(self, index):
        return self.data[index]

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

# 创建数据集实例
dataset = CustomDataset()

# 设定训练集索引
train_indices = [0, 1, 2]
# 设定验证集索引
val_indices = [3, 4]

# 创建采样器实例
train_sampler = SubsetRandomSampler(train_indices)
val_sampler = SubsetRandomSampler(val_indices)

# 创建数据加载器
train_loader = DataLoader(dataset, batch_size=2, sampler=train_sampler)
val_loader = DataLoader(dataset, batch_size=2, sampler=val_sampler)

# 在训练集上进行迭代
for batch in train_loader:
    print(batch)

# 在验证集上进行迭代
for batch in val_loader:
    print(batch)

在上面的示例中，我们创建了一个自定义的数据集CustomDataset，并使用SubsetRandomSampler将数据集划分为训练集和验证集。然后，我们可以使用DataLoader加载数据集，并通过迭代器访问数据集的mini-batch。

希望这个例子能帮助你理解SubsetRandomSampler的用法。如果还有其他问题，请继续提问。