DataLoader 重采样

可以使用`torch.utils.data.DataLoader`中的`WeightedRandomSampler`类对数据进行重采样。该类可以根据每个样本的权重进行采样，从而实现重采样的目的。具体步骤如下：

1.首先，需要计算每个样本的权重。可以根据样本的类别数量来计算每个样本的权重，使得每个类别的样本被采样的概率相等。例如，对于二分类问题，可以将正负样本的权重分别设置为1和2，这样就可以保证正负样本被采样的概率相等。

2.然后，可以使用`WeightedRandomSampler`类对数据进行重采样。该类需要传入一个权重列表，用于指定每个样本的权重。可以将该类作为`DataLoader`的参数之一，从而实现对数据的重采样。

下面是一个示例代码：

import torch
from torch.utils.data import DataLoader, WeightedRandomSampler

# 假设有一个数据集 dataset，其中包含 n 个样本，每个样本的标签为 label
# 首先，计算每个样本的权重
class_count = [0, 0] # 假设有两个类别，分别为 0 和 1
for _, label in dataset:
    class_count[label] += 1
weights = [1.0 / class_count[label] for _, label in dataset]

# 然后，使用 WeightedRandomSampler 对数据进行重采样
sampler = WeightedRandomSampler(weights, num_samples=len(dataset), replacement=True)
dataloader = DataLoader(dataset, batch_size=batch_size, sampler=sampler)

在上面的代码中，`class_count`用于统计每个类别的样本数量，`weights`用于计算每个样本的权重。`WeightedRandomSampler`的第一个参数是权重列表，第二个参数是采样的样本数量，第三个参数是是否使用重复采样。最后，将`WeightedRandomSampler`作为`DataLoader`的`sampler`参数传入即可。