在PyTorch中对CIFAR10进行分类时，通常有50,000个训练样本和10,000个测试样本。但是，如果需要创建验证集，可以通过将训练集分为40000个训练样本和10000个验证样本来完成。我使用了以下代码

train_transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5,0.5,0.5),(0.5,0.5))])
test_transform = transforms.Compose([transforms.ToTensor(),0.5))])

cifar_train_L = CIFAR10('./data',download=True,train= True,transform = train_transform)
cifar_test = CIFAR10('./data',train = False,transform= test_transform) 

train_size = int(0.8*len(cifar_training))
val_size = len(cifar_training) - train_size
cifar_train,cifar_val = torch.utils.data.random_split(cifar_train_L,[train_size,val_size])

train_dataloader = torch.utils.data.DataLoader(cifar_train,batch_size= BATCH_SIZE,shuffle= True,num_workers=2)
test_dataloader = torch.utils.data.DataLoader(cifar_test,num_workers= 2)
val_dataloader = torch.utils.data.DataLoader(cifar_val,num_workers= 2)

通常，当在PyTorch中扩充数据时，在 transforms.Compose 函数（即transforms.RandomHorizo​​ntalFlip（））。但是，如果在分割训练集和验证集之前使用了这些扩充过程，则扩充后的数据也将包含在验证集中。有什么办法可以解决这个问题？

  

简而言之，我想手动拆分   将数据集训练到训练和验证集中，以及我想要的   在新的训练集中使用数据增强技术。