weightedrandomsampler建数据加载器后输出采样的数据

假设我们的数据集是一个包含1000个样本的列表，现在我们想要使用WeightedRandomSampler来实现对样本的有权采样，并在数据加载器中输出采样的数据。

首先，我们需要定义每个样本的权重。我们可以根据样本的类别或其他特征来定义权重。比如，我们可以定义一个包含1000个权重的列表，其中每个权重代表一个样本的权重。

import torch.utils.data as data

weights = [0.1, 0.5, 0.2, 0.2, ...] # 1000个样本的权重列表

然后，我们可以使用WeightedRandomSampler来创建一个数据采样器。

sampler = data.WeightedRandomSampler(weights, num_samples=100, replacement=True)

这里，我们设置采样的样本数为100，replacement为True表示可以重复采样。

接下来，我们可以使用DataLoader来创建一个数据加载器，并将采样器传递给它。

loader = data.DataLoader(dataset, batch_size=10, sampler=sampler)

这里，我们设置批量大小为10，将采样器传递给数据加载器。

最后，我们可以使用数据加载器来输出采样的数据。

for batch_idx, (data, target) in enumerate(loader):
    # data是一个包含10个样本的张量，target是一个包含10个标签的张量
    print('Batch idx {}, data shape {}, target shape {}'.format(batch_idx, data.shape, target.shape))

这里，我们遍历数据加载器，依次输出每个批量的数据和标签。