动手学深度学习数据加载——indices的使用

在线性回归的从零开始实现的代码中，由于本人python底子偏弱，一边学习写代码一边理解代码。对于加载数据这一块的indices的使用有了一点了解，因此对于这块内容做一个小笔记。

def data_iter(batch_size, features, labels):
    num_examples = len(features)
    indices = list(range(num_examples))
    # 这些样本是随机读取的，没有特定的顺序
    random.shuffle(indices)
    for i in range(0, num_examples, batch_size):
        batch_indices = torch.tensor(
            indices[i: min(i + batch_size, num_examples)])
        yield features[batch_indices], labels[batch_indices]

在我们所谓的打乱顺序中，其实打乱的是indices，也就是下标，对于数组本身没有任何关系，indices存的就是下标。本身features数组与label数组是一一对应的，通过数组下标进行连接对应。下面的测试用例很好的表现了这类关系，

import torch
import random

# 示例数据
features = torch.tensor([[1, 2], [3, 4], [5, 6], [7, 8], [9, 10]])
labels = torch.tensor([0, 1, 2, 3, 4])

# 获取样本数量
num_examples = len(features)

# 创建索引列表
indices = list(range(num_examples))#indices就是存了一个下标，然后打乱下标，对应的元素的那个数组没有变

# 打乱索引列表
random.shuffle(indices)
print(indices)
print(indices[0])
# 使用索引访问元素
batch_size = 2
for i in range(0, num_examples, batch_size):
    batch_indices = indices[i:i + batch_size]
    batch_features = features[batch_indices]
    batch_labels = labels[batch_indices]
    print(f"Batch {i//batch_size + 1}: Features = {batch_features}, Labels = {batch_labels}")

输出结果如下。