制作线性训练集pytorch

在PyTorch中，制作线性训练集通常涉及到创建张量数据集，这个过程包括定义输入特征（自变量X）和对应的标签（因变量y）。下面是一个简单的例子来说明如何做：

import torch
from torch.utils.data import Dataset, DataLoader

# 定义一个简单的数据集类
class LinearDataset(Dataset):
    def __init__(self, num_samples, feature_dim, label_range):
        self.num_samples = num_samples
        self.feature_dim = feature_dim
        self.labels = torch.randint(label_range[0], label_range[1], (num_samples,))
        # 生成随机输入特征，这里假设是均匀分布
        self.features = torch.randn(num_samples, feature_dim)

    def __len__(self):
        return self.num_samples

    def __getitem__(self, idx):
        return self.features[idx], self.labels[idx]  # 返回特征和对应的标签

# 创建数据集实例并设置样本数和维度
dataset = LinearDataset(1000, 5, (0, 10))

# 创建DataLoader用于迭代加载数据
dataloader = DataLoader(dataset, batch_size=64, shuffle=True)  # 批大小和是否打乱顺序可以根据需要调整

for features, labels in dataloader:
    # 这里features和labels就是你需要的线性训练集，可以用于训练模型
    pass

在这个例子中，`LinearDataset`类负责生成随机特征和标签，然后`DataLoader`负责将它们按照指定的批大小分批返回。你可以根据实际需求修改数据生成部分。