话不多说，先上代码

Example1

from torch.utils import data
import torch

batch_size = 3
t1 = np.arange(0,20)
t2 = np.arange(0,20)+100

生成序列0~19和100~190，分别模拟x_train和y_train

tensor1 = torch.from_numpy(t1)
tensor2 = torch.from_numpy(t2)

上一步很关键，否则报错

data_set = data.TensorDataset(tensor1,tensor2)
data_iter = data.DataLoader(data_set,batch_size=3,shuffle=False)
for x_batch, y_batch in data_iter:
    print('-----------------')
    dsp(x_batch)
    dsp(y_batch)
    print('-----------------')

部分输出结果：

不过上面的例子有个问题，如果使用类似LSTM这种模型，需要滑动输入比如

原始如下：

tensor([0, 1, 2])

tensor([100, 101, 102])

tensor([3, 4, 5])

tensor([103, 104, 105])

那么带滑动步长的时候呢slide=1的时候

mini_batch01:

tensor([0,1,2])

tensor([100, 101, 102])

mini_batch02:

tensor([1, 2, 3])

tensor([101,102,103])

那么带滑动步长的时候呢slide=2的时候

mini_batch01:

tensor([0, 1, 2])

tensor([100, 101, 102])

mini_batch02:

tensor([2, 3, 4])

tensor([102,103,104])

怎么办呢？

可以仿照TensorDataset写一个类似的类

class Mydataset(data.TensorDataset):
    def __init__(self, data, window):
        self.data = data
        self.window = window

    def __getitem__(self, index):
        x = self.data[index:index+self.window]
        return x

    def __len__(self):
        return len(self.data) - self.window

承接example1

data_set = data.TensorDataset(tensor1,tensor2)
d2 = Mydataset(data_set,3)

data_iter = data.DataLoader(d2,batch_size=3,shuffle=False)
for x_batch, y_batch in data_iter:
    print('-----------------')
    dsp(x_batch)
    dsp(y_batch)
    print('-----------------')

部分输出结果为：

Example3:

直接上图吧