【炼丹保姆】如何给数据加权重

[173****7719]

准备工作：

import numpy as np
import torch
from torch.utils.data import WeightedRandomSampler
from torch.utils.data import DataLoader
from torch.utils.data import TensorDataset

生成数据

# 假设是一个三分类的问题，每一类的样本数分别为 10，1000，3000
class_counts = np.array([10, 1000, 3000])
#  样本总数
n_samples = class_counts.sum() # 4010
# 标签
labels = []
for i in range(len(class_counts)):
    labels.extend([i]*class_counts[i])

Y = torch.from_numpy(np.array(labels, dtype=np.int64))
# 随机生成一些数据，不重要
X = torch.randn(n_samples)

生成权重

# 给每一类一个权重
class_weights = [n_samples/class_counts[i] for i in range(len(class_counts))]
# [401.0, 4.01, 1.3367]
# 对每个样本生成权重
weights = [class_weights[i] for i in labels]

数据封装

train_dataset = TensorDataset(X, Y)
sampler =  WeightedRandomSampler(weights, int(n_samples),replacement=True)

实验A： 加权分配使用replacement (样本可重复使用)

train_loader = DataLoader(train_dataset, batch_size=1024,sampler=sampler, drop_last=True)

for i, (x,y) in enumerate(train_loader):
    print(f"batch index {i}, n_0: {(y==0).sum()}, n_1: {(y==1).sum()}, n_2: {(y==3).sum()}")
# output:
# 第一个batch，每类的数量分别为 349, 344, 331
# 第二个batch，每类的数量分别为 344, 360, 320
# 第三个batch，每类的数量分别为 339, 348, 337

实验B： 加权分配不使用replacement (样本不可重复使用)

sampler =  WeightedRandomSampler(weights, int(num_samples),replacement=False)

train_loader = DataLoader(train_dataset, batch_size=1024,sampler=sampler, drop_last=True)

for i, (x,y) in enumerate(train_loader):
    print(f"batch index {i}, n_0: {(y==0).sum()}, n_1: {(y==1).sum()}, n_2: {(y==3).sum()}")
# output:
# 第一个batch，每类的数量分别为 10, 466, 548
# 第二个batch，每类的数量分别为 0, 333, 691
# 第三个batch，每类的数量分别为 0, 173, 851

实验C： 简单随机分配

train_loader = DataLoader(train_dataset, batch_size=20,shuffle=True, drop_last=True)

for i, (x,y) in enumerate(train_loader):
    print(f"batch index {i}, n_0: {(y==0).sum()}, n_1: {(y==1).sum()}, n_2: {(y==3).sum()}")
# output:
# 第一个batch，每类的数量分别为 0, 227, 797
# 第二个batch，每类的数量分别为 1, 271, 752
# 第三个batch，每类的数量分别为 6, 257, 761

结论

使用WeightedRandomSampler 并且允许样本重复使用的话基本可以保证样本的均衡采样。