from torch.utils.data.sampler import SubsetRandomSampler

SubsetRandomSampler 是一个用于创建随机子集采样器的类。它可以用于数据集的分割和数据加载过程中。

在 PyTorch 中，SubsetRandomSampler 可以与 DataLoader 一起使用，用于从给定数据集中随机选择一个子集进行训练或验证。通过设置随机种子，可以确保每次采样得到的子集是相同的，这在训练模型时非常有用。

要使用 SubsetRandomSampler，您需要指定一个索引列表，该列表表示要选择的子集的样本索引。然后，您可以将 SubsetRandomSampler 对象传递给 DataLoader，并设置其 sampler 参数。

下面是一个示例代码，展示了如何使用 SubsetRandomSampler 创建一个随机的训练集和验证集：

import torch
from torch.utils.data import DataLoader, SubsetRandomSampler
from torchvision.datasets import MNIST

# 创建 MNIST 数据集
dataset = MNIST(root='path/to/dataset', train=True, download=True)

# 定义训练集和验证集的索引
train_indices = range(0, 50000)
val_indices = range(50000, 60000)

# 创建 SubsetRandomSampler 对象
train_sampler = SubsetRandomSampler(train_indices)
val_sampler = SubsetRandomSampler(val_indices)

# 创建 DataLoader，使用相应的采样器
train_loader = DataLoader(dataset, batch_size=64, sampler=train_sampler)
val_loader = DataLoader(dataset, batch_size=64, sampler=val_sampler)

# 在训练和验证过程中使用 train_loader 和 val_loader 进行迭代
for batch in train_loader:
    # 执行训练步骤
    pass

for batch in val_loader:
    # 执行验证步骤
    pass

在上面的示例中，我们使用 MNIST 数据集创建了一个包含 60000 个样本的数据集。然后，我们将数据集分成了一个训练集和一个验证集，并使用 SubsetRandomSampler 对象对它们进行采样。最后，我们使用 train_loader 和 val_loader 来迭代训练和验证数据。

希望这可以回答您的问题！如果还有其他问题，请随时提问。