WeightedRandomSampler通过为少数类样本分配更高采样概率来缓解类别不平衡，其权重按类别统一设置、无需归一化，计算公式为总样本数/(类别频次×类别数)，使用时需指定num_samples和replacement=True。
WeightedRandomSampler 为什么能解决类别不平衡
它不改变模型结构，而是让 DataLoader 在采样时对少数类样本赋予更高概率，相当于“人为加权重采”，比直接上采样更省内存、比下采样更保信息。关键点在于：权重不是按样本算，而是按每个样本所属类别来分配——同一类的所有样本共享一个权重值。
常见错误是把 weights 算成每个样本的独立值（比如用预测置信度），结果训练不稳定；或者误以为权重要归一化到 [0,1]，其实 PyTorch 内部只做相对比较，只要正数就行。
怎么算每个类别的权重
标准做法是用「总样本数 / (类别频次 × 类别数)」，这样所有类别的权重均值为 1，避免整体 batch size 偏移太大。也可以简化为「1 / 类别频次」，再手动缩放（比如乘个常数）防止权重过大导致梯度爆炸。
- 假设数据集有 3 类，样本数分别是 [100, 300, 600]，总样本数 1000，类别数 3 → 权重 = [1000/(100×3), 1000/(300×3), 1000/(600×3)] ≈ [3.33, 1.11, 0.56]
- 用
torch.bincount()快速统计标签频次，注意确保dataset.targets或dataset.labels是一维整数张量 - 权重必须是
torch.Tensor类型，且长度等于数据集长度（不是类别数！），要用torch.tensor([weights[label] for label in labels])广播到每个样本
构建 WeightedRandomSampler 的实操要点
必须传入 num_samples 参数，否则默认只采原始数据集大小，起不到“过采样少数类”的效果。通常设为原始数据集长度，或略大一点（比如 ×1.2），保证每个 epoch 能覆盖足够多的少数类样本。
立即学习“Python免费学习笔记（深入）”；
另一个坑是 replacement=True 必须显式指定 —— 它不是默认值，但 WeightedRandomSampler 要求必须为 True，否则会报错 ValueError: sampler option 'replacement' must be True。
from torch.utils.data import WeightedRandomSampler
# weights 是长度为 len(dataset) 的 Tensor
sampler = WeightedRandomSampler(
weights=weights,
num_samples=len(dataset), # 或更大，如 int(1.2 * len(dataset))
replacement=True
)和 DataLoader 配合时容易忽略的细节
sampler 和 shuffle 互斥：一旦用了 sampler，就不能再设 shuffle=True，否则会报错。这是底层机制决定的 —— sampler 已经负责打乱逻辑。
验证集/测试集绝对不要用 WeightedRandomSampler，否则评估指标失真。务必为 train_loader 单独构造 sampler，val_loader 和 test_loader 用普通 SequentialSampler 或不指定 sampler。
如果用了 DistributedSampler（多卡训练），不能和 WeightedRandomSampler 嵌套，得自己实现加权版的分布式采样器，或者改用 loss 层面的加权（如 weight 参数传给 nn.CrossEntropyLoss）。
权重计算依赖标签分布，所以一定要在划分 train/val 之后、构建 dataset 之前确认好训练集的标签直方图，别拿整个数据集的分布去算 train loader 的权重。
