__getitem__ 必须返回张量，因为 DataLoader 多进程下 default_collate 仅支持 tensor、标量、字典和列表；返回 np.ndarray 或 list 在遇到不规则尺寸或非数值类型时会报 TypeError。
为什么 __getitem__ 必须返回张量，而不是 NumPy 数组或 Python 列表
PyTorch 的 DataLoader 在多进程加载时会自动调用 torch.utils.data.default_collate，它只识别 torch.Tensor、Python 标量、字典和列表（含张量）。若 __getitem__ 返回 np.ndarray 或 list，遇到含不规则尺寸（如不同长度的文本 token）或非数值类型（如字符串路径）时，default_collate 会直接报错：TypeError: default_collate: batch must contain tensors, numpy arrays, numbers, dicts or lists。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 在
__getitem__内部就完成torch.tensor()转换，尤其是图像用torch.from_numpy(img_array)+.float()，标签用torch.tensor(label).long() - 若需保留原始路径或 ID 做 debug，可额外存为字典字段（如
{"image": img_tensor, "label": label_tensor, "path": self.img_paths[idx]}），但确保 collate 不会尝试堆叠"path" - 避免在
__getitem__中做耗时操作（如实时解码视频帧），应提前缓存或用torchvision.io.read_image替代 PIL 打开再转 tensor
如何安全重写 __len__：别数文件夹，要数实际可用样本
__len__ 返回的必须是 __getitem__ 可合法索引的数量。常见错误是直接 len(os.listdir("imgs/"))，但目录里可能混着 .DS_Store、损坏图片、或标注缺失的样本，导致 DataLoader 迭代到某 idx 时在 __getitem__ 报错（如 FileNotFoundError 或 cv2.error），训练中途崩溃。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 初始化时就构建有效样本索引列表：
self.valid_indices = [i for i, p in enumerate(self.img_paths) if self._is_valid(p)]，然后__len__返回len(self.valid_indices) -
_is_valid应轻量：检查文件是否存在、后缀是否为[".jpg", ".png"]、用cv2.imread(p) is not None粗筛（不用全解码） - 若数据集动态变化（如边训练边加新样本），不要缓存
valid_indices，改用每次__len__重新扫描——但注意这会拖慢DataLoader初始化，仅限小数据集
要不要重写 __init__？关键在路径与预处理逻辑分离
自定义 Dataset 的 __init__ 不是必须重写，但必须明确三件事：数据源在哪、怎么读、是否需要预处理。很多人把路径拼接、CSV 解析、transform 初始化全塞进 __init__，结果一换环境（Windows/macOS 路径分隔符）、一升级库（PIL.Image.open 对中文路径失败），整个 Dataset 就挂。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 路径传参强制用
pathlib.Path：接收root: Path，内部统一用root / "images"拼接，自动兼容系统差异 - CSV 或 JSON 元数据解析放在
__init__里，但用pandas.read_csv(..., nrows=10)先试读，确认列名和 dtype 正确再全读 - transform（如
torchvision.transforms.Resize）作为参数传入，**不要在__init__里硬编码**；否则无法复用同一 Dataset 实例做 train/val 不同增强
调试 __getitem__ 的最快方法：绕过 DataLoader 直接索引
当模型训练时报错 “index out of range” 或输出全是 NaN，问题大概率出在 __getitem__ 的某次调用。但 DataLoader 多进程 + shuffle 会让错误难以复现。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 写一行测试代码：
ds = MyDataset(root=Path("data")); print(ds[0]); print(type(ds[0]["image"]), ds[0]["image"].shape)—— 确保单次调用能稳定返回正确结构 - 在
__getitem__开头加assert idx = len {len(self)}"，避免静默截断 - 对图像类任务，临时加
plt.imshow(ds[0]["image"].permute(1,2,0))看是否是黑图/白图（常因归一化参数错或通道顺序反）
最易被忽略的是 transform 的 inplace 参数：比如 transforms.RandomHorizontalFlip(p=1.0) 后接 transforms.ToTensor()，若前者修改了原 PIL 图像而后者又依赖其 mode，可能触发 TypeError:pic should be PIL Image or ndarray —— 这类链式副作用，只有单步索引才能快速定位。
