你这代码怎么乱写，可以学习一下pytorch的数据读取dataloader类，你写的惨不忍睹。

[Wulx2050]

[Wulx2050]

不是骂你啊，误会了就不好了。

[Wulx2050]

` def len(self): return len(self.images)

def __getitem__(self, index):
    image = self.images[index]
    return self.pair(image)

def batches(self, batch_size=8):
    images = self.images
    while True:
        batch_index = np.random.randint(len(images), size=batch_size)
        x, y = zip(*[self.pair(self.images[index]) for index in batch_index])
        x = np.stack(x, axis=0)  # Low Res
        y = np.stack(y, axis=0)  # High Res
        yield x, y`

[wmylxmj]

额，我的数据集图片size大小不一样，有时图片大小比裁剪大小小会报错，所以写的麻烦了一点。。然后我不是一次性把所有图片读进来的，所以没做队列。。我是存地址筛batch然后降采样的，数据集比较大的话一次性读的话内存吃不消

[wmylxmj]

还有就是，piar的话我是随机用不同的方法裁剪做降采样做数据增强，就是同一个batch里的每张图片是用的不同的增强方法，上面的方法是同一个batch只能一种pair方法，所以还是得把batch拆开对每张图片用不同方法做裁剪和降采样

[wmylxmj]

然后就是上面的np.random.randint虽然比较简洁，但是会使送入网络的数据比较随机（样本被迭代的次数不均，有随机性），个人感觉还是用np.random.shuffle打乱然后for循环会好一些，可以保证所有数据都能平均的送入网络进行训练

[flyyyyer]

这位老哥真的一点都不客气啊 哈哈哈哈哈 笑死我了

[splinter21]

有没有实验数据表格？r_blur-scale-PSNR 以及有没有考虑加jpeg噪声