博客

背景

深度学习的训练数据往往很多，如果一次性训练所有的数据，不但会导致时间过长，而且训练次数不够，参数也不能得到很好的迭代。为此，将训练数据分成小的batch，一次batch迭代就可以完成一次参数更新，大大提高了训练速度。

Pytorch中有现成的batch生成器，但是为了底层原理的理解，最好自己能够写出这样的代码，就先从能看懂现成代码开始吧。

batch生成器函数

def data_iter(batch_size,features,labels):
    num_examples = len(features)
    indices = list(range(num_examples))
    random.shuffle(indices)
    for i in range(0,num_examples,batch_size):
        j = torch.LongTensor(indices[i:min(i+batch_size,num_examples)])
        yield features.index_select(0,j),labels.index_select(0,j)

这个函数名为batch_iter，参数有三：batch_size(batch的大小)、features(训练数据的特征，可以视为自变量)和labels(训练数据的标签，可以视为因变量)。

首先，num_examples获得features变量的长度，这个值就是训练数据的个数；

接着，利用range函数生成从0到training number-1（num_examples-1）的range，利用list函数将其转为列表，这样，indices就是一个包含从0到num_examples-1的list了；

然后利用random包的shuffle函数对indices的数进行洗牌（实际上就是打乱，然后随机排列）；

接下来，range(0, num_examples, batch_size)是从0到num_examples-1，每隔batch_size步长产生一个数，即这里的i分别为0，10，20，…，990；

接着，indices[i:min(i+batch_size,num_examples)]是一个索引操作，表示取出indices这个list里从i到下一个变量值-1的子list，其中min(i+batch_size,num_examples)的作用是防止索引超出最大范围；这样，j就得到了一个值类型为long的tensor，值是indices里索引出来的子list；

最后，yield函数是一个生成器，在这里可以简单的看作是return；features.index_select(0,j)中，0表示的是dim，这个操作从features中索引出了所有行数为j的features，组成一个tensor；labels同理。

这样，调用这个函数之后就可以获得一个训练数据的batch了。

实例演示

import torch
import numpy as np
import random

num_inputs = 2
num_examples = 1000
true_w = [2,-3.4]
true_b = 4.2
features = torch.from_numpy(np.random.normal(0,1,(num_examples,num_inputs)))
labels = true_w[0]*features[:,0]+true_w[1]*features[:,1]+true_b
labels += torch.from_numpy(np.random.normal(0,0.01,size = labels.size()))

def data_iter(batch_size,features,labels):
    num_examples = len(features)
    indices = list(range(num_examples))
    random.shuffle(indices)
    for i in range(0,num_examples,batch_size):
        j = torch.LongTensor(indices[i:min(i+batch_size,num_examples)])
        yield features.index_select(0,j),labels.index_select(0,j)

batch_size = 10

for x,y in data_iter(batch_size,features,labels):
    print(x,y) #这里只演示出第一个batch
    break

输出结果：

tensor([[ 1.0289, -0.5676],
        [ 0.4811,  0.0651],
        [-0.7113, -0.7735],
        [ 0.5077,  1.5935],
        [ 0.5343,  0.8802],
        [-1.1659, -1.0234],
        [ 0.1249, -0.2690],
        [-1.9804,  0.9771],
        [-0.5953, -0.0802],
        [ 0.2558, -1.0796]], dtype=torch.float64) tensor([ 8.2047,  4.9386,  5.4247, -0.2031,  2.2704,  5.3475,  5.3715, -3.0973,
         3.2829,  8.3943], dtype=torch.float64)