编写pytorch程序，读取data_set数据集，将数据集归一化，进行特征提取，构造特征集X和标签集y，基于新的特征集X和标签集y切分为X，y两个训练集，X，y两个验证集和X，y两个预测集，比例为0.7:0.2:0.1，基于划分的X，y训练集创建批数据

好的，我可以为你提供一些代码示例。首先，你需要导入PyTorch和相关的库：

import torch
import torch.nn as nn
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from torch.utils.data import TensorDataset, DataLoader

然后，你需要读取数据集和将数据集归一化：

data_set = np.genfromtxt('data_set.csv', delimiter=',')
scaler = StandardScaler()
data_set_norm = scaler.fit_transform(data_set)

接下来，你可以进行特征提取，构造特征集X和标签集y：

X = data_set_norm[:, :-1]
y = data_set_norm[:, -1]

然后，你可以基于新的特征集X和标签集y切分为X，y两个训练集，X，y两个验证集和X，y两个预测集，比例为0.7:0.2:0.1：

X_train, X_val_test, y_train, y_val_test = train_test_split(X, y, test_size=0.3, random_state=42)
X_val, X_test, y_val, y_test = train_test_split(X_val_test, y_val_test, test_size=0.1, random_state=42)

最后，你可以基于划分的X，y训练集创建批数据：

batch_size = 32
train_data = TensorDataset(torch.from_numpy(X_train).float(), torch.from_numpy(y_train).float())
train_loader = DataLoader(train_data, batch_size=batch_size, shuffle=True)

这样，你就可以对训练集进行批次处理了。注意，以上代码仅仅是示例代码，实际情况中你需要根据你的数据集和模型进行适当的修改。