批训练 DataLoader ，minibatch training，BATCH_SIZE，

要点

Torch 中提供了一种帮你整理你的数据结构的好东西, 叫做 DataLoader, 我们能用它来包装自己的数据, 进行批训练.

DataLoader

DataLoader 是 torch 给你用来包装你的数据的工具. 所以你要将自己的 (numpy array 或其他) 数据形式装换成 Tensor, 然后再放进这个包装器中. 使用 DataLoader 有什么好处呢? 就是他们帮你有效地迭代数据, 举例:

首先导入库，import torch.utils.data as Data 是对数据的读取1和处理

import torch                                                                        
import torch.utils.data as Data

定义数据

BATCH_SIZE = 5

x = torch.linspace(1,10,10)
#tensor([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.]) 
y = torch.linspace(10,1,10)
#tensor([10.,  9.,  8.,  7.,  6.,  5.,  4.,  3.,  2.,  1.])

定义一批处理数据的个数，BATCH_SIZE = 5表示每一批数据有5个

最重要的一部分：

torch_dataset = Data.TensorDataset(x,y)

loader = Data.DataLoader(
    dataset = torch_dataset,
    batch_size = BATCH_SIZE,
    shuffle = True,
    num_workers = 2
)

Data.TensorDataset(x,y)表示把x，y传入，创建数据集

Data.DataLoader表示创建DataLoader
batch_size设置为5
shuffle=True每一次epoch打乱数据顺序，False代表每次epoch的数据顺序是一样的
num_workers= 2使用2个子进程

for epoch in range(3):
    for step,(batch_x,batch_y) in enumerate(loader):
        print('Epoch:',epoch,'| step:',step,'| batch_x:'
              ,batch_x.numpy(),'| batch_y:',batch_y.numpy())

Epoch: 0 | step: 0 | batch_x: [ 9.  6.  1. 10.  2.] | batch_y: [ 2.  5. 10.  1.  9.]
Epoch: 0 | step: 1 | batch_x: [5. 4. 3. 8. 7.] | batch_y: [6. 7. 8. 3. 4.]
Epoch: 1 | step: 0 | batch_x: [ 4. 10.  7.  3.  6.] | batch_y: [7. 1. 4. 8. 5.]
Epoch: 1 | step: 1 | batch_x: [9. 8. 5. 1. 2.] | batch_y: [ 2.  3.  6. 10.  9.]
Epoch: 2 | step: 0 | batch_x: [9. 2. 3. 7. 5.] | batch_y: [2. 9. 8. 4. 6.]
Epoch: 2 | step: 1 | batch_x: [ 8.  1. 10.  6.  4.] | batch_y: [ 3. 10.  1.  5.  7.]

Epoch: 训练集中的全部样本都在训练模型中走了一遍，并返回一次（有去有回），为一个epoch。
这里表示将所有的训练样本在同一个模型中训练3遍

batchsize：简单点说，就是我们一次要将多少个数据扔进模型去训练，这个值介于1和训练样本总个数之间。

enumerate用法举例

seasons = ['Spring', 'Summer', 'Fall', 'Winter']
print(list(enumerate(seasons)))

[(0, 'Spring'), (1, 'Summer'), (2, 'Fall'), (3, 'Winter')]