批训练|批训练 DataLoader ，minibatch training，BATCH_SIZE，批训练DataLoader，minibatchtraini

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 = 5x = 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.])

【批训练|批训练 DataLoader ，minibatch training，BATCH_SIZE，】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