直接继承Sampler需实现__iter__和__len__，后者必须返回int；分布式训练需在__iter__中显式分片并调整__len__；类别不平衡优先用WeightedRandomSampler，动态权重或严格比例才手写。
为什么直接继承 Sampler 类会报 TypeError: Can't instantiate abstract class
因为 Sampler 是抽象基类，必须实现 __iter__ 和 __len__ 两个方法。漏掉任一都会触发该错误。常见写法是只写了 __iter__，却忘了加 __len__——哪怕返回一个整数也得有。
另外注意：PyTorch 1.12+ 中 Sampler 的 __init__ 不再接受 data_source 参数（那是旧版 Dataset 的责任），自定义采样器只需接收自己需要的参数，比如类别权重、batch索引偏移等。
-
__iter__必须返回一个 Python 迭代器（通常用yield或iter(list)） -
__len__返回采样总数，必须是int，不能是torch.Tensor或np.int64 - 不要在
__iter__里做耗时操作（如 IO、模型推理），它会在每个 epoch 开始时被反复调用
如何让自定义采样器支持分布式训练（DistributedSampler 兼容）
原生 DistributedSampler 会 wrap 你的采样器，但它只认 __len__ 返回值，并按 rank 和 num_replicas 截断索引。如果你的采样逻辑本身依赖全局数据分布（比如按类别重采样），就必须在 __iter__ 中显式处理分布式场景。
推荐做法：在初始化时接收 num_replicas 和 rank（可选，默认为 None），并在 __iter__ 中按需切片。不要依赖外部 DistributedSampler 自动包装——它不理解你的采样逻辑。
立即学习“Python免费学习笔记（深入）”；
- 若传入
num_replicas=2, rank=0，则只 yield 索引中偶数位置的元素（或按你定义的分片规则） - 确保
__len__返回的是单卡应采样的数量（即全局长度 /num_replicas），而非原始总长 - 使用
torch.distributed.get_rank()和torch.distributed.get_world_size()前，先检查torch.distributed.is_initialized()
类别不平衡场景下用 WeightedRandomSampler 替代手写是否更稳妥？
大多数情况下是的。WeightedRandomSampler 已针对 GPU 加速和多进程做了优化，且与 DataLoader 的 num_workers > 0 兼容性更好。手写等效逻辑容易踩坑：比如权重未归一化导致采样偏差、重复生成大 list 占内存、或在子进程中因随机种子未设置而行为不一致。
但如果你需要动态权重（如每 epoch 根据模型预测更新）、或要求严格控制 batch 内类别比例（如每 batch 恰好含 3 个正样本 + 7 个负样本），那还是得自己实现——这时建议把核心逻辑抽成函数，采样器只负责封装迭代协议。
- 用
torch.multinomial(weights, num_samples, replacement=True)替代random.choices，避免 numpy/pytorch 混用 - 权重向量务必是
torch.float类型，且不能含inf或nan - 若数据集极小（WeightedRandomSampler 可能因浮点误差出现索引越界，此时手动构造索引列表更可控
调试时如何验证自定义采样器输出的索引是否符合预期
最简单有效的方式：脱离 DataLoader，直接实例化后转成 list 查看前若干项。
my_sampler = MyCustomSampler(dataset, num_samples=100)
indices = list(my_sampler) # 不要传 dataset 给 __init__！除非你自己定义了这个参数
print("First 10 indices:", indices[:10])
print("Length:", len(indices))
print("Unique count:", len(set(indices)))重点检查三项：长度是否匹配预期、是否有非法索引（DataLoader 中发现结果异常，优先确认是否误将采样器传给了 sampler 和 batch_sampler 两个参数之一——二者互斥。
真正难排查的是跨 epoch 的状态残留，比如你在 __iter__ 中用了类属性缓存上一轮结果，而 DataLoader 的 worker 复用机制会让这个缓存污染下一轮——所有状态都该在 __iter__ 内部初始化，别依赖实例变量。
