Python PyTorch SampleMultiplexer用法及代码示例

本文简要介绍python语言中 torchdata.datapipes.iter.SampleMultiplexer 的用法。

用法:

class torchdata.datapipes.iter.SampleMultiplexer(pipes_to_weights_dict: Dict[IterDataPipe[torchdata.datapipes.iter.util.samplemultiplexer.T_co], float], seed: Optional[int] = None)

参数：

• pipes_to_weights_dict-IterDataPipes 的 Dict 和权重。未耗尽的DataPipes的总重量将被归一化为1以便采样。

• seed-用于初始化随机数生成器的随机种子

获取 (IterDataPipe, Weight) 的 Dict，并通过根据这些 DataPipes 的权重进行采样来生成项目。当单个DataPipes耗尽时，根据相对权重继续从剩余的DataPipes中采样。如果您希望无限期地保持相同的权重比，则需要确保输入永远不会耗尽，例如，对它们应用cycle。

采样由提供的随机 seed 控制。如果你不提供它，采样将不是确定性的。

示例

>>> from torchdata.datapipes.iter import IterableWrapper, SampleMultiplexer
>>> source_dp1 = IterableWrapper([0] * 10)
>>> source_dp2 = IterableWrapper([1] * 10)
>>> d = {source_dp1: 99999999, source_dp2: 0.0000001}
>>> sample_mul_dp = SampleMultiplexer(pipes_to_weights_dict=d, seed=0)
>>> list(sample_mul_dp)
[0, 0, 0, 0, 0, 1, 1, 1, 1, 1]