pytorch随机划分数据集

PyTorch提供了一些工具来帮助我们随机划分数据集。其中最常用的是`torch.utils.data.random_split`函数。这个函数可以将数据集划分为任意数量的子集，每个子集的大小可以自己指定或者根据比例自动计算。

下面是一个例子，假设我们有一个数据集`dataset`，我们想将其随机划分为训练集、验证集和测试集，比例分别为70%、20%和10%：

import torch.utils.data as data

# 假设我们有一个数据集 dataset，包含了所有的样本

# 计算每个子集的大小
train_size = int(0.7 * len(dataset))
val_size = int(0.2 * len(dataset))
test_size = len(dataset) - train_size - val_size

# 随机划分数据集
train_dataset, val_dataset, test_dataset = data.random_split(dataset, [train_size, val_size, test_size])

在上面的代码中，我们首先计算了每个子集的大小，然后使用`random_split`函数将数据集划分为训练集、验证集和测试集。

注意，`random_split`函数的第二个参数应该是一个包含每个子集大小的列表，而不是比例。如果你想使用比例来指定每个子集的大小，你可以在计算每个子集大小时使用`round`函数来四舍五入。例如，如果你想将数据集划分为60%的训练集和40%的验证集，你可以这样计算：

train_size = round(0.6 * len(dataset))
val_size = len(dataset) - train_size