数据处理之N------>BatchSize
N------>batch_size
py
train_data = TensorDataset(torch.Tensor(x_train).double(), torch.Tensor(y_train).double())
train_loader = DataLoader(train_data, batch_size=args.bs, shuffle=True, drop_last=True)
for batch_idx, (inputs, results) in enumerate(train_data):
print(inputs.shape, results.shape) 不过我得说，train_loader局限于第一维，做的事如下代码：
py
for i in range(0, num_samples, batch_size):
batch = data[i:i + batch_size]
yield batch
维度
- 分块：iter.chunk(分成几块，dim)
- 连接：torch.cat( tensor1, tensor2 （放在列表中），dim)
- 升维1 / 降维1：squeeze(dim), unsqueeze(dim)
64, 32, 1, 541维度互换有影响吗？怎么去想这个事
数据本身并没有改变，只是数据在张量中的排列顺序发生了变化，也就是索引方式变了 。
例如，如果你将形状为5266, 32, 541, 1的张量的第3和第4维度交换，你得到的张量仍然包含相同的元素，但它们在张量中的排列方式不同，变成了形状为5266, 32, 1, 541的张量。这在某些情况下可能对特定的计算或模型操作更有用。
既然要求你按照什么样的维度去排列索引，而且你也知道每个数字代表的对应的是什么意思，你就直接按照他说的顺序去改就是了啊！
只要你给的数据的维度能对得上就没有任何问题，最主要的是首先要搞明白你需要几维的数据 ，并搞明白每一维的意思 ，要对上，不然就会出现channel对到T上的尴尬问题。
s e q _ l e n seq\_len seq_len：序列长度
i n p u t _ s i z e input\_size input_size：序列的个体的维度
举一个例子，你的目的是要跑RNN，用RNNCELL，那么首先外部循环的肯定是seq_len，每次输入 b s , c h a n n e l , i n p u t _ s i z e bs, channel, input\\_size bs,channel,input_size的数据到model里面。
那么如果如果提供的数据是 5266 , 32 , 1 , 541 ， N = 5266 5266, 32, 1, 541，N = 5266 5266,32,1,541，N=5266 s e q _ l e n = 32 , i n p u t _ s i z e = 541 , c h a n n e l = 1 seq\_len = 32, input\_size = 541, channel = 1 seq_len=32,input_size=541,channel=1
那么每一批次的维度比如是 128 , 32 , 1 , 541 128, 32, 1, 541 128,32,1,541
你的目标也就是得到每次的输入 128 , 1 , 541 128, 1, 541 128,1,541
要按照第二个维度展开 ，即将第二个维度分成32个块------>pytorch带的chunk函数
用法：iter.chunk(要分的快数量，沿着哪个维度)
py
seq.chunk(seq.size(1), dim = 1)#传入的是seq.size(1)即要分成每个为1的然后得到： 128 , 1 , 1 , 541 128, 1, 1, 541 128,1,1,541
再使用seq.squeeze(1)
squeeze 函数有一个可选的参数，即 dim，它指定了要挤压的维度。如果指定 dim，则 squeeze
仅删除指定的维度，如果该维度大小为1。如果不指定 dim，则默认情况下会删除所有尺寸为1的维度。
没看懂的深浅拷贝，clone，copy etc.