我有多个类(用于不同的数据集(，它们继承自pytorch的Dataset类。它们有一个通用的结构，就像这样：
from torch.utils.data import Dataset
class SomeDataset(Dataset):
def __init__(self, data, labels):
super(SomeDataset, self).__init__()
self.data = data
self.labels = labels
self.__name__ = 'SomeDataset'
def __getitem__(self, index):
return {'data': self.data[index], 'label': self.labels[index]}
def __len__(self):
return len(data)
最近我意识到，在批处理时跟踪传递到Dataloader的标签是有益的，所以在谷歌上搜索如何做到这一点时，我遇到了这个线程，这就是我修改代码来编写这个函数的地方：
def return_indices(dataset_class):
def __getitem__(self, index):
return {'index':1, **dataset_class.__getitem__(self, index)}
return type(dataset_class.__name__, (dataset_class, ), {'__getitem__': __getitem__})
我以前从未见过type这样使用，但经过一些谷歌搜索，它让有了一些的意义，所以我尝试了一下。不幸的是，这导致了这个错误：
TypeError: metaclass conflict: the metaclass of a derived class must be a (non-strict) subclass of the metaclasses of all its bases
这导致了更多的谷歌搜索，尽管我开始了解元类是什么以及它们是如何使用的，但我仍然不知道这种方法有什么问题，也不知道如何解决它——我开始认为，也许把这个功能重写到我的数据集类中会更容易，而不是有一些整洁的包装器来为我做这件事。有人能说出我遗漏的东西吗？
只需执行以下操作：
def return_indices(dataset_class):
def __getitem__(self, index):
return {'index':1, **dataset_class.__getitem__(self, index)}
metacls = type(dataset_class)
return metacls(dataset_class.__name__, (dataset_class, ), {'__getitem__': __getitem__})
发生的事情：正如您所发现的，对type的3参数调用是用Python编程创建新类的方法，而不需要"；类"；声明及其正文。
但CCD_ 3是；基本元类"-虽然它的实例将是普通类；硬编码"；您正在创建的类的元类本身-相反，使用class语句将使Python在您正在创建类的基中搜索合适的元类。
只需使用派生类元类(如上所述，它是通过类型的单参数形式获得的，或者通过类的__class__属性获得的，就像在dataset_class.__class__中一样(。
将其作为可调用的类型来代替类型，将其自身作为元类，一切都应该正常。
NB：由于元类还有更多的机制，比如__prepare__，所以仅仅调用元类而不是type并不总是有效的——正确的通用方法包括调用types.prepare_class和types.new_class，并有一个回调来执行类语句体中的类体执行。在大多数情况下，这是不需要的。