def data_iter(batch_size, features, labels): num_examples = len(features) indices = list(range(num_examples)) random.shuffle(indices) # 样本的读取顺序是随机的 for i in range(0, num_examples, batch_size): j = torch.LongTensor(indices[i: min(i + batch_size, num_examples)]) # 最后一次可能不足一个batch yield features.index_select(0, j), labels.index_select(0, j)

这段代码定义了一个数据迭代器函数，它接收三个参数：batch_size、features 和 labels。batch_size 表示每次迭代的数据量，features 和 labels 是数据集的特征和标签。

函数中先计算出数据集的样本数 num_examples，然后创建一个存储样本索引的列表 indices，初始为 [0, 1, 2, ..., num_examples-1]。然后通过 random.shuffle(indices) 将索引列表打乱，这样每次迭代时就可以随机选择一部分数据样本，达到数据增强的效果。