一句话定义：数据采样与打乱（Sampler / Shuffle）是训练时决定“下一批拿哪些样本、按什么顺序拿”的机制。Sampler 负责从数据集中挑样本，Shuffle 是它最常用的一种挑法：每个轮次把数据重新洗一遍再喂给模型。
为什么要管这个
训练是一个轮次（epoch）接一个轮次地过数据集。如果每次都按完全相同的顺序读，模型看到的就是一条固定不变的样本序列：前一千条全是猫，后一千条全是狗，末尾全是长文本。梯度会跟着这个顺序走，一会儿被同一类样本拉向一边，一会儿又被猛地拽回来；损失曲线抖得厉害，收敛自然慢。
打个生活化的比方：背单词。你按 A 到 Z 背，背到 C 时已经忘了 A；把卡片洗牌后随机抽，每次回忆都是一次真正的检索，记忆更牢。模型也一样，随机顺序让每个批次（batch）里的样本尽量不相关，梯度更接近“整个数据集真实梯度”的无偏估计，步子才走得稳。
工程上这件事通常由数据加载器（DataLoader）的 shuffle 开关和 Sampler 类完成：训练集一般每个轮次重新打乱一次，验证集和测试集保持固定顺序以便复现。分布式训练里，Sampler 还要负责把数据不重叠地切给各个进程。具体参数名和默认行为各家框架不同，以官方文档为准。
几个容易混淆的概念
| 概念 | 管什么 | 常见误区 |
|---|---|---|
| Sampler | 按什么顺序、取哪些样本 | 以为它只管顺序，其实也管子集划分 |
| Shuffle | 一种随机化的采样策略 | 以为开一次就够，其实每轮都该重洗 |
| Batch size | 一次取多少条 | 和顺序无关，但和打乱效果互相影响 |
| Epoch | 把数据集过一遍 | 以为轮次多就一定更好 |
对从业者的实际意义
第一，先检查 shuffle 开没开、种子（seed）是否每轮变化。数据本身越有序，比如按类别、按长度、按时间排过序，漏开 shuffle 的代价就越大。第二，不是所有数据都能乱洗：时序信号、推荐系统的行为流，全局打乱会制造“用未来预测过去”的泄漏，要用带缓冲窗口的局部打乱。第三，反过来，由易到难的“课程学习”是刻意不打乱的一种设计，属于有意为之，而非忘了写参数。
对普通职场人，这套逻辑同样成立：给同事或模型交付信息时，顺序会实实在在影响对方吸收的效率。