torch.utils.data.DataLoader（） 如何读取两个文件夹很多dat数据，一个是数据，一个是标签

你可以使用PyTorch中的Dataset类来定义如何读取数据和标签，然后使用DataLoader类来将它们打包成批次并进行迭代。

首先，定义一个自定义的Dataset类，其中读取数据和标签的方式根据你的数据格式进行修改。下面是一个简单的示例，假设数据和标签分别存储在两个文件夹中，文件名相同且都以“.dat”结尾：

import torch
from torch.utils.data import Dataset

class MyDataset(Dataset):
    def __init__(self, data_dir, label_dir):
        self.data_dir = data_dir
        self.label_dir = label_dir

        self.data_files = []
        for root, dirs, files in os.walk(data_dir):
            for file in files:
                if file.endswith(".dat"):
                    self.data_files.append(os.path.join(root, file))
        self.label_files = []
        for root, dirs, files in os.walk(label_dir):
            for file in files:
                if file.endswith(".dat"):
                    self.label_files.append(os.path.join(root, file))

    def __getitem__(self, index):
        data = torch.from_numpy(np.loadtxt(self.data_files[index]))
        label = torch.from_numpy(np.loadtxt(self.label_files[index]))
        return data, label

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

在上面的代码中，我们首先获取数据和标签文件夹中所有以“.dat”结尾的文件，并将它们存储在self.data_files和self.label_files列表中。在getitem方法中，我们使用numpy从文件中读取数据和标签，并将它们转换为张量。最后，我们使用len方法返回数据集中的样本数。

接下来，使用DataLoader类来将数据打包成批次并进行迭代：

from torch.utils.data import DataLoader

data_dir = "path/to/data/folder"
label_dir = "path/to/label/folder"

dataset = MyDataset(data_dir, label_dir)
dataloader = DataLoader(dataset, batch_size=32, shuffle=True)

for batch_data, batch_label in dataloader:
    # 在这里进行训练或测试

上面的代码中，我们首先创建了一个MyDataset类的对象，并将其传递给DataLoader类。我们还指定了批次大小和是否打乱数据。然后，我们可以使用for循环遍历DataLoader对象，并在每个迭代中获得一个批次的数据和标签。在这里，你可以使用这些数据来训练或测试你的模型。

希望能帮到你！