理清三个概念： 1、Epoch 训练次数 2、Batch-Size：各批量的大小 3、Iteration：使用批量的次数 Iteration*Batch-Size=Number of samples
shuffle = True 打乱顺序（洗牌） 一般训练集需要打乱顺序，测试集不需要（无意义）
具体构建Dataset
代码语言：javascript复制import torch
from torch.utils.data import Dataset
from torch.utils.data import DataLoader
class DiabetesDataset(Dataset):
def __init__(self):
pass
def __getitem__(self, index):
pass
def __len__(self):
pass
dataset = DiabetesDataset()
train_loader = DataLoader(dataset=dataset,
batch_size=32,
shuffle=True,
num_workers=2)DataLoader包含四个参数 num_workers代表使用线程数，根据CPU核来合理设置一般2，4，8
注：在windows系统下，不加if name == ‘main’:直接开始训练会发生报错
使用样例 构建数据集：
代码语言：javascript复制class DiabetesDataset(Dataset):
def __init__(self):
xy = np.loadtxt(filepath, delimiter =',', dtype=np.float32)
self.len = xy.shape[0]
self.x_data = torch.from_numpy(xy[:, :-1])
self.y_data = torch.from_numpy(xy[:, [-1]])
def __getitem__(self, index):
return self.x_data[index], self.y_data[index]
def __len__(self):
return self.len
dataset = DiabetesDataset('diabetes.csv.gz')
train_loader = DataLoader(dataset=dataset,
batch_size=32,
shuffle=True,
num_workers=2)由于数据量不大，直接将所有数据读入内存之中
训练：
代码语言：javascript复制for epoch in range (100):
for i, data in enumerate (train_loader, 0):
# 1. Prepare data
inputs, labels = data
# 2. Forward
y_pred = model(inputs)
loss = criterion(y_pred, labels)
print (epoch, i, loss.item())
# 3. Backward
optimizer.zero_grad()
loss.backward()
# 4. Update
optimizer.step()enumerate函数 i为下标，0代表i从0开始
其它训练集的使用
