我正在尝试创建一个 GAN，它接受一张低分辨率的图像，并试图从中生成一张高分辨率的图像。为此，我需要使用一个 Dataloader，它同时存储了高分辨率和低分辨率的训练图像。

     data_transform = transforms.Compose([transforms.Resize(imageSize),                                         transforms.Grayscale(num_output_channels=1),                                         transforms.ToTensor()])    dataset_hi = "./hi-res-train"    dataset_lo = "./low-res-train"    img_data_hi = dset.ImageFolder(root=dataset_hi,transform=data_transform)    img_data_lo = dset.ImageFolder(root=dataset_lo,transform=data_transform)    dataloader_hi = torch.utils.data.DataLoader(img_data_hi, batch_size = batchSize, shuffle = True, num_workers = 2)     dataloader_lo = torch.utils.data.DataLoader(img_data_lo, batch_size = batchSize, shuffle = True, num_workers = 2) 

我尝试使用了两个独立的数据加载器（如上所示），但当它们被打乱时，我无法同时枚举它们，因为高分辨率和低分辨率的图像没有匹配。如何才能使用 pytorch 同时枚举和打乱它们呢？

回答：

假设你对高分辨率和低分辨率的图像使用了相似的命名方式（例如 img01_hi 和 img01_low），一种方法是创建一个自定义的 Dataloader，通过重写 __getitem__ 方法来返回两张图像。

由于一次调用返回两张图像，你可以通过在文件名后添加 _hi 和 _low 来确保它们匹配。

你可能需要创建一个包含所有图像文件名的“提示”文本文件，以确保每个图像文件只处理一次。