假设我有正常的训练/有效/测试数据集batch_size和shuffle编辑。
memory_size当我进行训练/验证/测试时，我想为每个样本从整个数据集中抽取一定数量（称为）的新样本。
例如，我设置batch_size为256，让数据集洗牌，并设置memory_size为80。在每forward一步中，不仅要使用数据集中的每个样本，还要使用整个原始数据集中的样本数据，大小是memory_size我想在里面使用它forward。让新样本作为内存（是的，我想采用Memory Networks的想法）。记忆可以在训练集中的每个样本之间重叠。
我正在使用 PyTorch 和 PyTorch-Lightning。我可以dataloader为每个train_dataloader,创建新内存val_dataloader，test_dataloader然后使用原始数据加载器加载它吗？还是有更好的方法来实现我想要的？