特征缩放：对数据进行缩放，使得数据在同一量纲下，可以使用标准化、最大最小值归一化、对数变换等方法。 给出数据标准化的pytorch代码

在 PyTorch 中，可以使用 `torch.nn.functional.normalize` 函数对数据进行标准化，具体使用方法如下：

import torch
import torch.nn.functional as F

# 训练数据
train_data = torch.randn(100, 10)

# 计算标准化的均值和方差
mean = torch.mean(train_data, dim=0)
std = torch.std(train_data, dim=0)

# 对数据进行标准化
train_data_normalized = F.normalize(train_data, mean=mean, std=std)

print(train_data_normalized)

其中，`train_data` 是训练数据，`mean` 和 `std` 分别表示数据的均值和标准差，`F.normalize` 函数会将数据标准化到均值为0，方差为1的标准正态分布。如果要对数据进行最大最小值归一化，可以使用 `torch.min` 和 `torch.max` 函数计算数据的最大值和最小值，然后进行归一化，具体使用方法如下：

# 最大最小值归一化
min_value, _ = torch.min(train_data, dim=0)
max_value, _ = torch.max(train_data, dim=0)
train_data_normalized = (train_data - min_value) / (max_value - min_value)

print(train_data_normalized)

其中，`min_value` 和 `max_value` 分别表示数据的最小值和最大值，`train_data_normalized` 是归一化后的数据。