请写出1d-cnn回归模型的pytorch代码，包括构建dataset，dataloader的部分，其中，训练集为有标签样本，测试集一部分为有标签样本，另一部分为无标签样本。

好的，以下是一个简单的1D-CNN回归模型的PyTorch代码，包括构建dataset和dataloader的部分，训练集为有标签样本，测试集一部分为有标签样本，另一部分为无标签样本。

首先，我们需要导入必要的库：

import torch
from torch.utils.data import Dataset, DataLoader
import numpy as np

接着，我们定义一个自定义的Dataset类，用于加载数据集：

class MyDataset(Dataset):
    def __init__(self, data, labels=None):
        self.data = data
        self.labels = labels

    def __len__(self):
        return len(self.data)

    def __getitem__(self, idx):
        data = self.data[idx]
        if self.labels is not None:
            label = self.labels[idx]
            return data, label
        return data

在上面的代码中，我们定义了一个MyDataset类，它接受两个参数：data和labels。其中，data是一个numpy数组，包含所有的输入数据，labels是一个numpy数组，包含所有的标签数据。如果labels为None，则说明这是一个无标签样本的数据集。

接下来，我们需要定义一个函数，用于将数据集分成训练集和测试集：

def split_dataset(data, labels, test_ratio=0.2):
    size = len(data)
    indices = list(range(size))
    np.random.shuffle(indices)
    test_size = int(size * test_ratio)
    test_indices = indices[:test_size]
    train_indices = indices[test_size:]
    train_data = data[train_indices]
    train_labels = labels[train_indices]
    test_data = data[test_indices]
    test_labels = labels[test_indices]
    return train_data, train_labels, test_data, test_labels, test_indices

在上面的代码中，我们定义了一个split_dataset函数，它接受三个参数：data、labels和test_ratio。其中，data和labels是numpy数组，存储了所有的样本数据和标签数据，test_ratio是测试集的比例。函数的返回值包括：训练集的数据、训练集的标签、测试集的数据、测试集的标签和测试集的索引。

接下来，我们需要定义一个函数，用于构建dataloader：

def build_dataloader(data, labels=None, batch_size=32, shuffle=True):
    dataset = MyDataset(data, labels)
    dataloader = DataLoader(dataset, batch_size=batch_size, shuffle=shuffle)
    return dataloader

在上面的代码中，我们定义了一个build_dataloader函数，它接受四个参数：data、labels、batch_size和shuffle。其中，data和labels是numpy数组，batch_size是批量大小，shuffle表示是否进行洗牌。函数的返回值是一个dataloader对象，用于加载数据集。

最后，我们需要定义一个模型：

class MyModel(torch.nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.conv1 = torch.nn.Conv1d(1, 32, 3)
        self.conv2 = torch.nn.Conv1d(32, 64, 3)
        self.pool = torch.nn.MaxPool1d(2)
        self.fc1 = torch.nn.Linear(64 * 24, 128)
        self.fc2 = torch.nn.Linear(128, 1)

    def forward(self, x):
        x = torch.nn.functional.relu(self.conv1(x))
        x = self.pool(torch.nn.functional.relu(self.conv2(x)))
        x = x.view(-1, 64 * 24)
        x = torch.nn.functional.relu(self.fc1(x))
        x = self.fc2(x)
        return x

在上面的代码中，我们定义了一个MyModel类，它是一个简单的1D-CNN回归模型。模型包括两个卷积层、一个最大池化层、两个全连接层。模型的输入是一个1维的数据，输出是一个标量。

最后，我们可以使用上述代码来构建我们的1D-CNN回归模型，并对数据集进行训练和测试。