批数据训练

  Torch中有一种整理你数据结构的东西：DataLoader，它能够包装你的数据，并且进行批训练。

一：相关操作

　　1：包的导入：

import torch.utils.data as Data

　　     初始数据：

x = torch.linspace(1 , 10, 10)
y = torch.linspace(10, 1, 10)

　　2：包装数据类：

# 先转换成 torch 能识别的 Dataset
#torch_dataset = Data.TensorDataset(data_tensor=x, target_tensor=y) #以前的版本
torch_dataset = Data.TensorDataset(x,y) #现在的版本这样就行了

　　3：加载数据：.DataLoader

loader = Data.DataLoader(
    dataset = torch_dataset, #数据集
    batch_size = BATCH_SIZE, #每次读取的大小
    shuffle = True,  #是否随机打乱
    num_workers=2,  # 多线程来读数据
    )

二：批训练：（源码）

#-*-coding:utf-8-*-
#批数据训练
BATCH_SIZE = 5
import torch
import torch.utils.data as Data

x = torch.linspace(1 , 10, 10)
y = torch.linspace(10, 1, 10)
# 加入“数据集”里面
torch_dataset = Data.TensorDataset(x,y)
loader = Data.DataLoader(
    dataset = torch_dataset,
    batch_size = BATCH_SIZE,
    shuffle = True, #是否随机抽样
    num_workers=2,  # 多线程来读数据
    )

if __name__ == '__main__':  #没有这一行可能会报错：“he "freeze_support()" line can be omitted if the program”
    for epoch in range(3):
        for index,(batch_x,batch_y) in enumerate(loader):
            # 打出来一些数据
            print('Epoch: ', epoch, '| Step: ', index, '| batch x: ',
                  batch_x.numpy(), '| batch y: ', batch_y.numpy())

   2.结果：

注：

上面这个图为BATCH_SIZE = 5时的结果，原因在于，当数据大小和每次话费大小不是整数倍时，最后一次划分就是剩下的，不一定就是BATCH_SIZE这么大。
比如第一张图：size为5，数据有10个，因此两次，每次五个。第二张图，size为3，数据有10个，所以分为四次，且最后一次只有一个。 

 

 

转载于:https://www.cnblogs.com/carrollCN/p/11345945.html