pytorch中TensorDataset

对于这个TensorDataset,里面的元素的size要相同。例如：

x=torch.tensor([0,1,2,3])
y=torch.tensor([1,0,3,2])
z=torch.tensor([[0,0,0,1,0],
               [0,0,0,0,1],
               [1,0,0,0,0],
               [0,0,0,1,0]])
			   
print(x.shape,y.shape,z.shape)

# torch.Size([4]) torch.Size([4]) torch.Size([4, 5])

然后我们调用data_set = TensorDataset(x,y,z)
然后我们输出一下：

for x,y,z in data_set:
    print(x)
    print(y)
    print(z)

tensor(0)
tensor(1)
tensor([0, 0, 0, 1, 0])
tensor(1)
tensor(0)
tensor([0, 0, 0, 0, 1])
tensor(2)
tensor(3)
tensor([1, 0, 0, 0, 0])
tensor(3)
tensor(2)
tensor([0, 0, 0, 1, 0])

然后我们看看输出：

很明显，这个二维数组，这个y是多少，然后这个对于的z就是z[y]。比如说第三个x=2，y=3，然后对应的z就是第三行。

再举个例子：
比如说这里有两个文件：一个字段是学生字段，习题字段，得分。然后两个文件是习题字段，每个习题对用知识点。
然后我们将每个习题进行onehots，然后就变成了一个二维数组。
再进行TensorDataset,我们会发现，我们每个tensordataset中包含学生字段,习题字段，对应该习题的知识点
我们直接上传上去就行，我们来看一下：

def transform(user,item,item2knowledge,score,batch_size):
    knowledge_emb=torch.zeros((len(item),knowledge_n))
    for idx in range(len(item)):
        knowledge_emb[idx][np.array(item2knowledge[item[idx]])-1]=1.0
        
    data_set = TensorDataset(
        torch.tensor(user, dtype=torch.int64) - 1,  # (1, user_n) to (0, user_n-1)
        torch.tensor(item, dtype=torch.int64) - 1,  # (1, item_n) to (0, item_n-1)
        knowledge_emb,
        torch.tensor(score, dtype=torch.float32)
    )
    return DataLoader(data_set, batch_size=batch_size, shuffle=True)

train_set, valid_set, test_set = [
    transform(data["user_id"], data["item_id"], item2knowledge, data["score"], batch_size)
    for data in [train_data, valid_data, test_data]
]

train_set, valid_set, test_set

for x,y,z,p in train_set:
    for i in range(32):
        print(x[i])
        print(y[i])
        print(z[i])
      #print(torch.nonzero(z))
        print(p[i])
        

然后我们看看效果：