在机器学习与深度学习领域，采样器(Sampler)是一种用于从数据集中选择样本的策略或算法组件。它决定了模型训练过程中数据被访问的顺序和频率，直接影响模型收敛速度与泛化性能。常见的采样器包括随机采样器、顺序采样器以及更复杂的加权采样器，后者会根据样本重要性调整采样概率。采样器的核心价值在于通过优化数据供给方式，使模型更高效地学习数据分布特征。
在实际产品开发中，采样器的选择往往需要结合具体场景。例如在类别不平衡的分类任务中，采用分层采样器可避免模型偏向多数类；在推荐系统冷启动阶段，基于探索-利用平衡的采样策略能有效提升用户体验。当前研究热点如课程学习(Curriculum Learning)中的渐进式采样，以及元学习中的任务采样器设计，都展现了采样器作为数据与模型间智能中介的重要作用。