training_dataset = training_dataset.shuffle(120).batch(BATCH_SIZE)

在PyTorch中创建训练数据加载器时，`train_loader`通常会使用`torch.utils.data.DataLoader`来迭代训练数据。如果你想要对`training_dataset`进行预处理，使其在每个批次之间随机打乱（shuffle）并设置批量大小（BATCH_SIZE），可以这样操作[^1]：

train_loader = torch.utils.data.DataLoader(
    train_dataset,
    batch_size=BATCH_SIZE,      # 指定每个批次的样本数量
    shuffle=True,           # 是否打乱数据，默认为True，这里设置为120表示每批120个样本
    num_workers=num_workers,  # 使用多进程以提高效率
    pin_memory=args.pin_memory,   # 如果硬件支持，加速内存访问
    collate_fn=train_dataset.collate_fn   # 数据转换函数，如果有的话
)

对于TensorFlow中的`tf.train.batch`和`tf.train.shuffle_batch`函数[^2]，它们的作用是将输入的数据分片成固定大小的批次。`tf.train.batch`简单地将数据分片到批次中，而`tf.train.shuffle_batch`则在分片之前先对整个数据集进行随机洗牌，保证每次训练的批次顺序不同，有助于模型避免过拟合。

示例：

# 假设 dataset 是一个包含所有训练数据的序列
dataset = ... # 具体数据

# 打乱并分批处理
shuffled_dataset = dataset.shuffle(buffer_size=120)  # 设置缓冲区大小为120
batches = tf.data.Dataset.from_tensor_slices(shuffled_dataset).batch(BATCH_SIZE)

# 迭代这些批次
for batch in batches:
    # 训练模型...