将数据分为batch_size

要将数据分为批次（batch），可以使用`torch.utils.data.DataLoader`类和`torch.utils.data.Dataset`类来进行操作。首先，你需要创建一个自定义的数据集类，然后使用数据加载器将数据分成批次。

以下是一个示例：

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

# 自定义数据集类
class MyDataset(Dataset):
    def __init__(self, data):
        self.data = data
        
    def __len__(self):
        return len(self.data)
    
    def __getitem__(self, index):
        return self.data[index]

# 创建数据
data = range(100)

# 将数据转换为自定义数据集
dataset = MyDataset(data)

# 指定批次大小
batch_size = 10

# 创建数据加载器
dataloader = DataLoader(dataset, batch_size=batch_size, shuffle=True)

# 遍历每个批次数据
for batch in dataloader:
    print(batch)

在这个示例中，我们首先创建了一个自定义的数据集类`MyDataset`，该类继承自`torch.utils.data.Dataset`。在数据集类中，我们实现了`__len__()`和`__getitem__()`两个方法，分别用于返回数据集的长度和获取指定索引处的数据。

然后，我们创建了一个包含100个数据的数据集，并将其转换为自定义数据集`dataset`。

接下来，我们使用`DataLoader`类创建数据加载器`dataloader`，其中指定了批次大小为10，并设置了`shuffle=True`来打乱数据顺序。

最后，我们使用`for`循环遍历每个批次数据，并打印出来。

运行代码后，将会得到按照指定批次大小划分的数据批次。使用数据加载器可以方便地进行批量训练和处理大规模数据集。你可以根据自己的数据和需求进行调整和扩展。