超级简单——看完就懂的Pytorch线性回归前期数据准备

简单案例及示意，帮助初学者一起理解数据处理的逻辑

一、开篇先上完整代码

import torch
import torch.utils.data as Data
if __name__ == '__main__':
    X=torch.Tensor([[10,11,12],[13,14,15],[16,17,18],[19,20,21]])
    Y=torch.Tensor([100,101,102,103])
    train_data=Data.TensorDataset(X,Y)
    train_loader=Data.DataLoader(dataset=train_data,batch_size=2,shuffle=True,num_workers=1)
    for index,(X_x,Y_y) in enumerate(train_loader):
        print('索引：',index)
        print('x:',X_x)
        print('y:',Y_y)

二、导入Pytorch以及相关数据处理模块

import torch
import torch.utils.data as Data

三、构建自变量和因变量

if __name__ == '__main__':
    X=torch.Tensor([[10,11,12],[13,14,15],[16,17,18],[19,20,21]])
    Y=torch.Tensor([100,101,102,103])

注意：因为涉及多线程问题，码上if name == ‘main’:，避免程序报错。

四、利用TensorDataset将自变量X与因变量Y整合在一起

	train_data=Data.TensorDataset(X,Y)

五、利用DataLoader加载整合好的数据集

 	train_loader=Data.DataLoader(dataset=train_data,batch_size=2,shuffle=True,num_workers=1)
	 #dataset为要使用的数据集
	 #batch_size为一次样本的大小，如1,2，16,32,64等等，本例数据样本简单，选2
	 #shuffle（）可选择‘True’或者‘False’，是否打乱数据
	 #num_workers=1,使用1线程。

六、输出每次的数据匹配

	for index,(X_x,Y_y) in enumerate(train_loader):
        print('索引：',index)
        print('x:',X_x)
        print('y:',Y_y)
        #enumerate()函数是一个可以返回带索引值的函数，此处不展开，不懂可以自己C一下。

七、程序结果

batch_size=2,shuffle=True的情况，每次x与y各抽取两个，共2个batch为0和1

batch_size=2,shuffle=False的情况，每次x与y各抽取2个，按顺序，不打乱抽取，共2个batch为0和1.

batch_size=1,shuffle=True的情况，每次x与y各抽取1个，共4个batch为0-3

batch_size=1,shuffle=False的情况，按顺序，不打乱抽取，每次x与y各抽取1个，共4个batch为0-3

八、说明

本文简单实例化自变量X与因变量Y，非常简单，只是帮助大家进一步理解数据整合和数据加载的相关逻辑。