不建议从主要类别中删除样本：
1.丢失重要信息，
1.可能会导致模型偏向少数民族。
相反，您可以使用几种策略来平衡数据集，包括：
1.过采样：为少数类别生成新样本，以增加其在数据集中的代表性。这可以通过以下技术实现：
a.合成少数过采样技术（SMOTE）
B.自适应合成采样（ADASYN）。
1.采样不足（您正在执行的操作）：减少多数类的样本数以匹配少数类的样本数。这可以通过以下技术来实现：
a.随机抽样不足
B. Tomek链接。
1.过采样和欠采样的组合：这涉及使用过采样和欠采样技术的组合来平衡数据集。
两个PyTorch中都有几种方法可以帮助平衡数据集：
1.加权随机取样器：此采样器允许您为每个类指定权重，可用于对少数类进行过采样或对多数类进行欠采样。
1.数据加载器：此类提供了几个用于对数据进行重排和批处理的选项，这有助于确保每个批处理都包含类的平衡表示形式。