第一步：

我們要建立torch能夠識別的資料集型別（pytorch中也有很多現成的資料集型別，以後再說）。

首先我們建立兩個向量X和Y，一個作為輸入的資料，一個作為正確的結果：

隨後我們需要把X和Y組成一個完整的資料集，並轉化為pytorch能識別的資料集型別：

我們來看一下這些資料的資料型別：

可以看出我們把X和Y通過Data.TensorDataset() 這個函式拼裝成了一個數據集，資料集的型別是【TensorDataset】。

好了，第一步結束了

第二步：

就是把上一步做成的資料集放入Data.DataLoader中，可以生成一個迭代器，從而我們可以方便的進行批處理。

DataLoader中也有很多其他引數：

dataset：Dataset型別，從其中載入資料 
batch_size：int，可選。每個batch載入多少樣本 
shuffle：bool，可選。為True時表示每個epoch都對資料進行洗牌 
sampler：Sampler，可選。從資料集中取樣樣本的方法。 
num_workers：int，可選。載入資料時使用多少子程序。預設值為0，表示在主程序中載入資料。 
collate_fn：callable，可選。 
pin_memory：bool，可選 
drop_last：bool，可選。True表示如果最後剩下不完全的batch,丟棄。False表示不丟棄。
 

好了，第二步結束了，

第三步：

好啦，現在我們就可以愉快的用我們上面定義好的迭代器進行訓練啦。

在這裡我們利用print來模擬我們的訓練過程，即我們在這裡對搭建好的網路進行喂入。

輸出的結果是：

可以看到，我們一共訓練了所有的資料訓練了5次。資料中一共10組，我們設定的mini-batch是3，即每一次我們訓練網路的時候喂入3組資料，到了最後一次我們只有1組資料了，比mini-batch小，我們就僅輸出這一個。

此外，還可以利用python中的enumerate()，是對所有可以迭代的資料型別（含有很多東西的list等等）進行取操作的函式，用法如下：

好啦，結束。

轉載自：https://www.cnblogs.com/JeasonIsCoding/p/10168753.html