pytorch dataset读取数据流程_动手学习深度学习Pytorch——线性回归
最近参加了Datawhale组织的新一轮公益学习，这本书买了很久但是没看，顺便复现提高pytorch和python的编程能力！嗯这就是我的目标，废话不多说，直接开撸！
python part:
# define a timer class to record time
用类来定义一个计时器Timer，组成部分是times一个空数组[]，start()这个函数。
start()这个函数生成一个start_time值是time.time()，time.time()返回当前时间的时间戳（1970纪元后经过的浮点秒数），也就是现在到1970有多少多少秒。
stop()这个函数是在times这个数组后面加一个time.time() - self.start_time，也就是start()到stop()这两个函数启动的时间相差了多少秒， return self.times[-1]返回times的最后一个元素，也就是返回的是最近一次的stop()到最近一次start()的时间间隔。
avg()这个函数return sum(self.times)/len(self.times)，由上面我们可以知道times这个数组记录的是每次使用start()和stop()的时间间隔，于是求和再除于长度就是多次时间间隔的平均。
sum()这个函数return sum(self.times)，因此就是总耗时了。
小结：
这个Timer类是这样使用的
#实例化Timer类
pytorch part:
这部分代码是用于人造数据的
num_inputs features = torch.tensor(np.random.normal(0, 1, (num_examples, num_inputs)), dtype=torch.float)
torch.tensor(size,dtype)——主要就是两个参数多大的，什么类型的
为什么要用torch.tensor？——理解成这是pytorch框架下的计算单元，类比线性空间中的向量才能运算哦。
np.random.normal(μ, σ, (多少个, 多少维))——记忆：random随机，normal正态分布，之后就很好理解了吧，也就是什么正态分布的随机数，要给什么正态分布——N(μ, σ)，多少个随机数——(多少个, 多少维)。
例子：
labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b
可以理解成算y = Xβ+b，首先features一定是个类似上面那个图的a那个样的一个1000（条）*2（维）的tensor。
features[:, 0]就是类似下图这种概念，红色箭头说明我们有2行，蓝色箭头说明我们有3列，[:,0]中的冒号是行我全都要，于是所有行都有绿色的箭头飞了出去，0代表我只要第一列，于是只要第一列有绿色箭头飞出去，所有绿色箭头相交的黄色勾勾就是我们要的tensor，这其实是python的一种数组筛选的方法。
由于我们是在pytorch这个框架下进行运算，所以我们要屈服于它的规则，首先它需要将数据转换成一个叫data.DataLoader的东西才行。
import 我们看到Data.DataLoader下面有4个参数：
- dataset，首先你得指定一个数据集吧。
- batch_size，用这里的例子来说就是我们前面已经生产了1000条2维的数据了，我每次训练是1条1条算，还是10条10条算。batch_size越大你算的越快，但是要求的内存就变多了，因为你每次算的数多了。为什么说1条1条可以算，10条10条也可以算，我们假设大家都知道线性回归的所使用的算法是随机梯度下降，损失函数是MSE均方误差，你一条算出损失算一次梯度当然可以，我10条算一次损失也可以不是吗？
- shuffle，就是说这1000条数据是否要打乱输入。
- num_workers我个人理解就是需不需要多线程读取数据，可以加快读取数据的速度。
看一下data_iter是啥东西，是一个可迭代对象（好专业的名字，当成是发牌器好了，有两副牌一个是X，一个是y，可以一直发）
接下来就进入到pytorch优势的地方了，它不用你花时间去定义那个y = Xβ+b，搞那些数组之间的运算只要你定义一个神经网络类就可以完成。
class nn.Linear(输入size, 输出size)，这个nn.Linear就是如此方便，但凡你要做y = Xβ+b的线性运算，只要控制上面两个参数就可以了，默认带b，也就是bias偏移项。而且它会自己初始化好参数，非常人性化。
定义好这些那我们就可以开始训练了
第一步：定义损失函数
loss = nn.MSELoss()第二部：定于迭代算法
import torch.optim as optim
optimizer = optim.SGD(net.parameters(), lr=0.03) 第三步：训练
num_epochs 当然你也可以这样测试你的模型
