批训练

　　每次进行数据训练时，如果数据集过多不适合把整个数据打包进行训练，那么这种时候就需要把训练数据分批进行训练。

　　设置数据：

x = torch.linspace(1, 10, 10)       # x data (torch tensor)
y = torch.linspace(10, 1, 10)       # y data (torch tensor)

　　DataLoader是torch中用来包装数据的工具，而torch又只能识别tensor，所以先把数据形式转换为tensor，然后用DataLoader包装。

#转换为tensor形式的数据集Dataset
torch_dataset = Data.TensorDataset(x, y)

#把DataLoader放入DataLoader
loader = Data.DataLoader(
    dataset = torch_dataset,         #数据集的形式
    batch_size = 5,                  #批量大小为5
    shuffle = True,                  #每次取数据都要先打乱顺序
    num_workers = 2                   #一共10个数据，每个批量有5个，所以2个线程来读数据就足够了
)

for epoch in range(3):               #训练3次，每次训练一整套数据
    for step, (batch_x, batch_y) in enumerate(loader):             #enumerate作用是给每个step设置索引
        #假设此处进行训练...
        
        #打印训练后的数据
        print('Epoch: ', epoch, '| Step: ', step, '| batch x: ', batch_x.numpy(), '| batch y: ', batch_y.numpy())

　　运行结果如下：

 

　　上面的例子批量大小为5，正好可以被总的训练数整除；如果批量大小不能被总的数据量进行整除呢？

　　假设batch_size = 8：

　　运行结果如下：

 

 　　可见，如果不能被整除，那么在第一批数据训练后，剩下的数据量自动作为下一批训练即可。