浅谈torch.utils.data.TensorDataset和torch.utils.data.DataLoader

1.torch.utils.data.TensorDataset

功能定位

torch.utils.data.TensorDataset 是一个将多个张量（Tensor）数据进行简单包装整合的数据集类，它主要的作用是将相关联的数据（比如特征数据和对应的标签数据等）组合在一起，形成一个方便后续用于训练等操作的数据集对象。

例如，如果你有输入特征数据 x（形状为 [n_samples, feature_dim]）和对应的标签数据 y（形状为 [n_samples]），且它们都是 torch.Tensor 类型，可以这样创建 TensorDataset：

import torch
from torch.utils.data import TensorDatasetx = torch.randn(100, 10)  # 模拟100个样本，每个样本特征维度为10
y = torch.randint(0, 2, (100,))  # 模拟二分类标签dataset = TensorDataset(x, y)

特点

• 简单包装：只是把传入的张量按照样本维度进行了对应组合，并没有对数据做复杂的预处理、采样等额外操作。

• 索引支持：支持像普通列表那样通过索引访问其中的数据元素，例如 dataset[0] 会返回由对应索引的特征和标签组成的元组（按照传入构造函数的张量顺序）。

• 适用于小型数据集直接使用：当数据量不大且数据格式已经整理为张量形式时，可以直接基于它来进行简单的模型训练循环等操作，不过对于批量处理等更复杂的情况支持有限，需要进一步配合其他工具。

2.torch.utils.data.DataLoader

功能定位

torch.utils.data.DataLoader 是一个用于加载数据的工具类，它围绕着给定的数据集（比如 TensorDataset 或者自定义的继承自 Dataset 的类实例等），实现了诸如批量加载数据、打乱数据顺序、并行加载数据等功能，旨在让数据能够以合适的方式、合适的批量大小等被送入到模型中进行训练、验证或测试等操作。

示例：

from torch.utils.data import DataLoaderbatch_size = 10
dataloader = DataLoader(dataset, batch_size=batch_size, shuffle=True)for batch_x, batch_y in dataloader:# 这里的batch_x和batch_y就是每次迭代取出的一个批量的特征和标签数据pass

特点

• 批量处理：可以按照设定的 batch_size 参数，将数据集中的数据划分为一个个的小批量（mini-batch），方便模型以批量的方式进行梯度计算更新，有助于优化训练过程和提升效率，尤其在大数据集场景下优势明显。

• 数据打乱：通过设置 shuffle=True 可以在每个训练轮次（epoch）开始时对数据集里面的数据顺序进行随机打乱，使得数据的输入顺序具有随机性，这有助于提升模型训练的泛化能力，避免模型因数据顺序固定而产生过拟合等问题。

• 并行加载：支持多进程加载数据（通过设置 num_workers 参数大于 0），能够利用多核 CPU 的优势加快数据读取和预处理的速度，特别是在处理大规模数据集或者数据加载比较耗时的情况下，能显著提升整体训练效率。

• 灵活性和通用性：它可以适配各种不同类型的数据集，只要这些数据集继承自 torch.utils.data.Dataset 抽象类并实现了必要的 __len__ 和 __getitem__ 等方法，因此无论是简单的 TensorDataset 还是复杂的自定义数据集都可以用它来加载数据。

总的来说，TensorDataset 侧重于对已有张量数据进行简单的整合包装形成数据集；而 DataLoader 侧重于围绕数据集实现数据的批量加载、打乱顺序、并行化等复杂的数据加载相关功能，它们通常配合使用，先使用 TensorDataset 组织好数据，再通过 DataLoader 按照训练需求来加载和处理这些数据并送入模型中。

from torch.utils.data import TensorDataset
from torch.utils.data import DataLoadertrain_ds = TensorDataset(x_train, y_train)
train_dl = DataLoader(train_ds, batch_size=bs, shuffle=True)valid_ds = TensorDataset(x_valid, y_valid)
valid_dl = DataLoader(valid_ds, batch_size=bs)