已经获得了特征矩阵和标签后，并且把数据集转换为了 PyTorch 张量，怎么把数据集的70%划分为训练集，10%为验证集，20%的数据为测试集划分为训练集

你可以使用 PyTorch 中的 SubsetRandomSampler 类来实现数据集的划分。SubsetRandomSampler 可以帮助你随机地选择数据集的子集。下面是一个示例代码，它将数据集的70%划分为训练集，10%为验证集，20%的数据为测试集。

import numpy as np
import torch
from torch.utils.data import DataLoader, Dataset, SubsetRandomSampler

# 假设你已经获得了特征矩阵 features 和标签 labels
dataset = Dataset(features, labels)

# 定义训练集、验证集、测试集的比例
train_ratio = 0.7
val_ratio = 0.1
test_ratio = 0.2

# 计算划分的数据集大小
num_data = len(dataset)
train_size = int(train_ratio * num_data)
val_size = int(val_ratio * num_data)
test_size = int(test_ratio * num_data)

# 定义随机种子，使得每次运行代码的结果都是一样的
torch.manual_seed(42)

# 使用 SubsetRandomSampler 随机地选择数据集的子集
indices = np.arange(num_data)
train_indices = indices[:train_size]
val_indices = indices[train_size:train_size+val_size]
test_indices = indices[train_size+val_size:]

train_sampler = SubsetRandomSampler(train_indices)
val_sampler = SubsetRandomSampler(val_indices)
test_sampler = SubsetRandomSampler(test_indices)

# 使用 DataLoader 加载数据集
train_loader = DataLoader(dataset, batch_size=32, sampler=train_sampler)
val_loader = DataLoader(dataset, batch_size=32, sampler=val_sampler)
test_loader = DataLoader(dataset, batch_size=32, sampler=test_sampler)

在这个示例代码中，我们首先将数据集转换为 PyTorch 的 Dataset 类。然后，我们计算出训练集、验证集、测试集的大小，并使用 SubsetRandomSampler 随机地选择数据集的子集。最后，我们使用 DataLoader 加载数据集，其中的 sampler 参数指定了数据集的子集。