for循环调用接口返回的数据放在同一个列表中

 
    querysqfaxx() {
      const params = {
        salesId:1,
      }
      this.$axios.get(this.api.salesSupport.querySalesPlans, {params}).then((res) => {
        this.commonGetResData(res).then(data => {
          this.sqfaxxidData = data;
          const list = []
          for(let i of this.sqfaxxidData){
            const params = {
              id:i.planid
            }
            list.push(this.$axios.get(this.api.plan.queryPlanById, {params}))
          }
                Promise.all(list).then(ress => {
                this.sqfaxxData=ress
              })
        });
      });
   }

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
在PyTorch数据流的处理通常涉及以下几个关键组件: 1. 数据集(Dataset):数据集是用来存储和组织原始数据的对象。PyTorch的`torch.utils.data.Dataset`是一个抽象类,你可以自定义一个类来继承它,并实现`__len__`和`__getitem__`方法。`__len__`方法返回数据集的大小,`__getitem__`方法返回给定索引的数据样本。 2. 数据加载器(DataLoader):数据加载器是用来加载数据集并生成可迭代的数据批次的对象。PyTorch的`torch.utils.data.DataLoader`提供了一个简单易用的接口,可以将数据集包装成数据加载器。你可以指定每个批次的大小、是否打乱数据以及并行加载等参数。 3. 数据转换(Data Transformation):数据转换是在数据加载过程数据进行预处理或增强的操作。PyTorch的`torchvision.transforms`模块提供了一系列常用的图像转换操作,例如裁剪、缩放、翻转、归一化等。你可以使用这些转换函数来构建一个转换管道,并将其应用于数据集或数据加载器。 4. 设备选择(Device Selection):在PyTorch,你可以选择将张量和模型放在CPU或GPU上进行计算。通过调用`to`方法,你可以将张量或模型转移到特定设备上。例如,`tensor.to('cuda')`将张量转移到GPU上。 5. 迭代数据流(Iterating Data Flow):一旦数据加载器准备好了,你可以使用`for`循环迭代数据加载器的输出来遍历数据批次。每个数据批次都是一个包含输入数据和对应标签的元组,你可以将它们传递给模型进行训练或推断。 6. 批次处理(Batch Processing):在训练过程,通常会对一个批次的数据进行处理。这包括将输入数据传递给模型进行前向计算、计算损失、计算梯度、更新模型参数等操作。PyTorch提供了灵活的接口,可以轻松地进行这些操作。 总结起来,PyTorch数据流处理通常包括准备数据集、构建数据加载器、定义数据转换、选择设备、迭代数据加载器输出以及处理批次数据等步骤。这些步骤的具体实现可以根据你的任务和需求进行适当调整和扩展。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小白d

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值