Pytorch：批量数据（：批量数据（batch）分割）分割
原文地址
分类目录——Pytorch
深度学习可行的一个前提是假设数据之间是相互独立的，用相关的数据进行训练会让训练的模型局限于满足一撮数据，没有实
用性。而更多的现实情况是数据之间存在着或多或少的相关性，所以深度学习中常用海量数据来弥补数据间相关所产生的训练
模型的不足。在大量数据中学习中，小批量（batch）梯度下降是一种比较好的方式，每次选取一小部分数据来进行参数更
新，既能沿着较好的方向更新，又能兼顾训练的效率
另外，从数据集中随机（不连续）抽取数据也是可以减弱数据相关性的影响的。这一点在随机森林中的到了充分的利用（这里
的随机与随机森林中的随机不完全相同）
pytorch中引入了对数据进行切组的机制，下面通过程序说明在pytorch中如何将数据分成多个batch
import torch
import torch.utils.data as Data
torch.manual_seed(1) # reproducible
BATCH_SIZE = 8 # 每个batch的大小
# 生成测试数据
x = torch.linspace(0, 9, 10) # x(torch tensor)
y = torch.linspace(9, 0, 10) # y(torch tensor)
# 将输入和输出封装进Data.TensorDataset()类对象
torch_dataset = Data.TensorDataset(x, y)
# 把 dataset 放入 DataLoader
loader = Data.DataLoader(
dataset=torch_dataset, # 数据，封装进Data.TensorDataset()类的数据
batch_size=BATCH_SIZE, # 每块的大小
shuffle=True, # 要不要打乱数据 (打乱比较好)
num_workers=2, # 多进程（multiprocess）来读数据
)
if __name__ == '__main__': # 注意：如果loader中设置了num_workers!=0，即采用多进程来处理数据，运行含loader的操作
必须在‘__main__’的范围内
# 进行3轮训练（每次拿全部的数据进行训练）
for epoch in range(3):
# 在一轮中迭代获取每个batch（把全部的数据分成小块一块块的训练）
for step, (batch_x, batch_y) in enumerate(loader):
# 假设这里就是你训练的地方...
# print出来一些数据
print('Epoch: ', epoch, '| Step: ', step, '| batch x: ',
batch_x, '| batch y: ', batch_y)
'''
BATCH_SIZE = 5 时的结果
Epoch: 0 | Step: 0 | batch x: tensor([4., 6., 9., 2., 3.]) | batch y: tensor([5., 3., 0., 7., 6.])
Epoch: 0 | Step: 1 | batch x: tensor([1., 0., 7., 8., 5.]) | batch y: tensor([8., 9., 2., 1., 4.])
Epoch: 1 | Step: 0 | batch x: tensor([3., 5., 6., 9., 7.]) | batch y: tensor([6., 4., 3., 0., 2.])
Epoch: 1 | Step: 1 | batch x: tensor([4., 2., 1., 0., 8.]) | batch y: tensor([5., 7., 8., 9., 1.])
Epoch: 2 | Step: 0 | batch x: tensor([3., 1., 4., 5., 9.]) | batch y: tensor([6., 8., 5., 4., 0.])
Epoch: 2 | Step: 1 | batch x: tensor([2., 8., 0., 7., 6.]) | batch y: tensor([7., 1., 9., 2., 3.])
'''
# 当无法均等分成若干块时，先按每块BATCH_SIZE大小提取，最后剩下的不足BATCH_SIZE留作最后一块
'''
BATCH_SIZE = 8 时的结果
Epoch: 0 | Step: 0 | batch x: tensor([4., 6., 9., 2., 3., 1., 0., 7.]) | batch y: tensor([5., 3., 0., 7., 6., 8., 9., 2.])
Epoch: 0 | Step: 1 | batch x: tensor([8., 5.]) | batch y: tensor([1., 4.])
Epoch: 1 | Step: 0 | batch x: tensor([3., 5., 6., 9., 7., 4., 2., 1.]) | batch y: tensor([6., 4., 3., 0., 2., 5., 7., 8.])
Epoch: 1 | Step: 1 | batch x: tensor([0., 8.]) | batch y: tensor([9., 1.])
Epoch: 2 | Step: 0 | batch x: tensor([3., 1., 4., 5., 9., 2., 8., 0.]) | batch y: tensor([6., 8., 5., 4., 0., 7., 1., 9.])
Epoch: 2 | Step: 1 | batch x: tensor([7., 6.]) | batch y: tensor([2., 3.])
评论0