WeightedRandomSampler通过调整采样概率解决类别不平衡，它为小类样本赋予更高权重，使其在训练中更频繁出现；需用归一化后的类别倒数计算样本权重并转为torch.double类型，num_samples设为数据集长度且replacement必须为True。
WeightedRandomSampler 为什么能解决类别不平衡
它不修改模型结构或损失函数，而是让 DataLoader 在每次迭代时，按预设权重从训练集里“有倾向地”抽样。比如类别 A 只有 100 个样本、类别 B 有 1000 个，你给 A 的权重设高些，Sampler 就会更频繁地把 A 的样本送进 batch，变相提升小类曝光率。
关键点在于：权重不是直接用样本倒数（1 / count），而是要归一化后传给 WeightedRandomSampler；否则可能触发 RuntimeError: invalid argument 3: invalid weight。
怎么算每个样本的 weight（别直接用 1/count）
常见错误是为每个类别算一个 weight，然后广播到该类所有样本上——这本身没错，但后续必须展平成和 dataset 长度一致的一维 tensor，且 dtype 必须是 torch.double 或 torch.float64（float32 会报错）。
- 先统计每个类别的样本数：
class_counts = np.bincount(labels) - 再算每个类的权重：
class_weights = 1. / class_counts - 映射到每个样本：
samples_weight = np.array([class_weights[label] for label in labels]) - 转成 tensor 并指定 dtype：
samples_weight = torch.from_numpy(samples_weight).double()
初始化 WeightedRandomSampler 的三个关键参数
WeightedRandomSampler 构造时接受三个参数：weights、num_samples、replacement。最容易出问题的是后两个：
-
num_samples一般设为原训练集长度（len(dataset)），这样每个 epoch 的 batch 数不变；设小了会漏样本，设大了会重复采样 -
replacement=True必须为 True —— 否则权重无效，Sampler 退化为普通随机采样 - 如果误传
replacement=False，不会报错，但 loss 下降缓慢、小类指标几乎不动，调试时极难定位
和 DataLoader 配合时的隐藏坑
WeightedRandomSampler 和 shuffle=True 不能共存，否则会报 ValueError: sampler option is mutually exclusive with shuffle。这不是 bug，是设计使然：Sampler 本身已控制顺序，再 shuffle 会破坏权重逻辑。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
正确写法是显式关闭 shuffle，并把 Sampler 传进去：
train_sampler = WeightedRandomSampler(weights=samples_weight, num_samples=len(dataset), replacement=True) train_loader = DataLoader(dataset, batch_size=32, sampler=train_sampler, num_workers=4)
另外，如果你用了 DistributedSampler（多卡训练），就不能再套 WeightedRandomSampler —— 它们不兼容。此时得改用 per-GPU 的加权逻辑，或在损失层用 weight 参数替代。
权重计算本身不耗时，但一旦 dataset 很大、label 分布极偏（比如 99% 背景 + 1% 目标），samples_weight 张量会占用额外内存，建议用 torch.tensor(..., dtype=torch.float64) 显式声明，避免默认 int 类型引发隐式转换失败。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
