问题描述

数据集样本不均衡。

例如，一个二分类任务，标签为 0 的数据占了 90%，标签为 1 的数据却只占 10%，用全部原始数据训练模型很可能导致模型带有一定的 ”偏见“，也可能会导致模型训练效率很慢。

使用 WeightedRandomSampler 均衡数据

PyTorch 官方文档：torch.utils.data.WeightedRandomSampler

以下即是 PyTorch 官方文档给出的说明：

可以看到官方文档中给了代码示例：

>>> list(WeightedRandomSampler([0.1, 0.9, 0.4, 0.7, 3.0, 0.6], 5, replacement=True))
[4, 4, 1, 4, 5]
>>> list(WeightedRandomSampler([0.9, 0.4, 0.05, 0.2, 0.3, 0.1], 5, replacement=False))
[0, 1, 4, 3, 2]

结合这个示例解释一下各个参数：

• weights：用来采样的权重序列，并且并不要求这个序列的加和为 1。
  比如第一个示例中的 [0.1, 0.9, 0.4, 0.7, 3.0, 0.6]，就表示取第 0 个样本的权重（可以理解为概率，但不等同）为 0.1，取第 1 个样本的权重为 0.9，…，取第 4 个样本的权重为 3.0，…，很明显，取第 4 个样本的概率最大，然后是 第 1 个、第 3 个、第 5 个、第 2 个、第 0 个。
• num_samples：采样的数量。
  比如示例中 num_samples 为 5，即采样数量为 5，最终输出的序列长度也为 5。
• replacement：是否可放回采样。

应用

以下是使用 WeightedRandomSampler 来解决数据集样本不均衡问题的代码。

from torch.utils.data import DataLoader, Dataset, WeightedRandomSamplerclass MyDataset(Dataset):def __init__(self, data):self.data = datadef __getitem__(self, index):return {"text": self.data[index]["text"],"label": self.data[index]["label"]}def __len__(self):return len(self.data)if __name__ == '__main__':data = [{"text": "a", "label": 0}, {"text": "b", "label": 0}, {"text": "c", "label": 1}, {"text": "d", "label": 0},{"text": "e", "label": 0}, {"text": "f", "label": 0}, {"text": "g", "label": 0}, {"text": "h", "label": 0},{"text": "i", "label": 0}, {"text": "j", "label": 0}, {"text": "k", "label": 0}, {"text": "l", "label": 1}]dataset = MyDataset(data)label_list = []for per_data in dataset:label_list.append(per_data["label"])print(f"label_list = {label_list}")weights = [1.0 / label_list.count(label) for label in label_list]print(f"weights = {weights}")sampler = WeightedRandomSampler(weights, len(dataset), replacement=True)train_loader = DataLoader(dataset, sampler=sampler, batch_size=4, shuffle=False, num_workers=0)for data in train_loader:print(data)

输出：

label_list = [0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1]
weights = [0.1, 0.1, 0.5, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.5]
{'text': ['c', 'a', 'g', 'l'], 'label': tensor([1, 0, 0, 1])}
{'text': ['e', 'j', 'l', 'k'], 'label': tensor([0, 0, 1, 0])}
{'text': ['c', 'g', 'c', 'k'], 'label': tensor([1, 0, 1, 0])}

数据集有 12 条数据，其中包含 10 个标签为 0 的数据和 2 个标签为 1 的，可以说数据集是及不均衡了。

首先计算权重序列，标签为 0 的权重均为 $1/10=0.1$，标签为 1 的权重均为 $1/2=0.5$，把标签为 0 的权重全加起来的值和把标签为 1 的权重全加起来的值相等的，因此采样时随机取到标签为 0 和标签为 1 的概率是相等的，最终新的 dataloader 中基本上数据就均衡了，不过因为是随机采样，两种标签的数据量最终差一、两个也是可以理解的，总之是比原始数据集均衡了很多。