pytorch训练时同时加载3个自定义数据集

可以使用PyTorch的DataLoader和Dataset类来同时加载3个自定义数据集。以下是一个简单的代码示例：

from torch.utils.data import DataLoader, Dataset

class CustomDataset1(Dataset):
    def __init__(self, ...):
        # 初始化数据集1
        
    def __getitem__(self, index):
        # 获取数据集1中的一个样本
        
    def __len__(self):
        # 获取数据集1的长度

class CustomDataset2(Dataset):
    def __init__(self, ...):
        # 初始化数据集2
        
    def __getitem__(self, index):
        # 获取数据集2中的一个样本
        
    def __len__(self):
        # 获取数据集2的长度

class CustomDataset3(Dataset):
    def __init__(self, ...):
        # 初始化数据集3
        
    def __getitem__(self, index):
        # 获取数据集3中的一个样本
        
    def __len__(self):
        # 获取数据集3的长度

# 创建3个自定义数据集的实例
dataset1 = CustomDataset1(...)
dataset2 = CustomDataset2(...)
dataset3 = CustomDataset3(...)

# 创建3个数据加载器
dataloader1 = DataLoader(dataset1, batch_size=..., shuffle=...)
dataloader2 = DataLoader(dataset2, batch_size=..., shuffle=...)
dataloader3 = DataLoader(dataset3, batch_size=..., shuffle=...)

# 在训练循环中使用3个数据加载器
for epoch in range(num_epochs):
    for data1, data2, data3 in zip(dataloader1, dataloader2, dataloader3):
        # 进行训练

在上面的代码中，我们首先定义了3个自定义数据集类，然后创建了3个实例，并使用它们创建了3个数据加载器。在训练循环中，我们使用Python的zip函数将3个数据加载器打包在一起，以便可以在每个训练步骤中同时加载3个数据集。