在pytorch中将数据打包为DataLoader后每个epoch中的打乱策略

有两种打乱策略：

1、利用shuffle

在 PyTorch 中，当使用 DataLoader 并设置 shuffle=True 时，数据会在每个 epoch 开始时被重新打乱。这意味着在每个 epoch，数据加载的顺序都会不同，这有助于模型避免对特定的数据顺序产生过拟合。

    train_loader = DataLoader(dataset=train_dataset, 
                              batch_size=batch_size, 
                              shuffle=True, 
                              num_workers=0)

在这种情况下，每次开始一个新的 epoch 并从 train_loader 中迭代数据时，train_loader 会自动将数据集中的数据打乱。这是一种常见的做法，用于确保模型接收到的数据顺序在每个 epoch 都是随机的，从而帮助模型更好地泛化。

如果 shuffle 参数被设置为 False，则数据加载的顺序在每个 epoch 中保持不变。这种情况通常用于那些需要保持数据顺序的场合，比如时间序列数据处理。

2、利用SubsetRandomSampler

在这种方法中，DataLoader 实例是通过使用 SubsetRandomSampler 创建的，这与直接在 DataLoader 中设置 shuffle=True 有所不同。当使用 SubsetRandomSampler 时，数据集的划分是固定的，但是在这个子集内的数据在每个 epoch 开始时会被重新打乱。

    train_data = torch.FloatTensor(train_data)

    train_data = TensorDataset(train_data, train_data)

    num_train = len(train_data)
    indices = list(range(num_train))
    np.random.shuffle(indices)
    split = int(np.floor(num_train * valid_size))

    train_idx, valid_idx = indices[split:], indices[:split]

    train_sampler = SubsetRandomSampler(train_idx)
    valid_sampler = SubsetRandomSampler(valid_idx)

    train_loader = torch.utils.data.DataLoader(dataset=train_data,
                                               batch_size=batch_size,
                                               sampler=train_sampler,
                                               # shuffle = True,
                                               num_workers=0)

    valid_loader = torch.utils.data.DataLoader(dataset=train_data,
                                               batch_size=batch_size,
                                               sampler=valid_sampler,
                                               # shuffle = True,
                                               num_workers=0)

在这种情况下，train_loader 和 valid_loader 使用 SubsetRandomSampler，它在每个 epoch 开始时会在其所对应的索引子集（train_idx 或 valid_idx）内部重新打乱数据。因此，尽管整个数据集的划分（训练集和验证集的分割）是固定的，但在每个 epoch 中，数据加载的顺序在各自的子集内是随机的。

这种方法结合了固定的训练/验证划分和每个 epoch 的内部随机性，有助于模型的泛化，同时保持了对训练和验证数据集的稳定划分。