Python 将3D张量分批（Pytork）

我有一个形状为（50，50，2）的张量。用（x，y）中的网格值填充的。像这样

r =0.5
#Sample 3D space
min = -10
max = 10
complexnum = 50j

#Sample 3D space
X,Y  = np.mgrid[min:max:complexnum,min:max:complexnum,] * r

T = np.sin(3*X) * np.sin(3*Y)


XY = np.concatenate((X.reshape((X.shape[0],X.shape[0],1)),Y.reshape((X.shape[0],X.shape[0],1))),2)
XY = torch.from_numpy(XY.astype(np.float32)).to(device)
T = T.reshape((T.shape[0],T.shape[0],1))
T = torch.from_numpy(T.astype(np.float32)).to(device)

我创建了一个神经网络，可以将XY作为输入，T作为输出。这就是创建一个函数f（x，y）。现在，我需要创建一种使用批处理来训练NN的方法。样品总量应为2500=50 x 50。我想把XY和T张量分成几批。我尝试了DataLoader并创建了一个数据集类，但运气不好。有什么办法可以做到这一点吗？我的张量形状正确吗

对于某些上下文，这是我创建的用于提供给DataLoader的自定义数据集：

class CustomTrainDataset(Dataset):
def __init__(self, x_tensor, y_tensor):
    self.xdomain = x_tensor
    self.ydomain = y_tensor
    
def __getitem__(self, index):
    
  # I flatten them to find the ith sample  
  augxy = torch.from_numpy(np.vstack([self.xdomain[:,:,0].cpu().numpy().ravel(), self.xdomain[:,:,1].cpu().numpy().ravel()]).transpose().astype(np.float32)).to(device)

    
   augw= torch.from_numpy(np.vstack([self.ydomain.cpu().detach().numpy().ravel()]).transpose().astype(np.float32)).to(device)
    xy =  augxy[index]

    l = torch.where((self.xdomain[:,:,0] == xy[0]) )
    m = torch.where((self.xdomain[:,:,1]== xy[1]))
    
    xindex = m[0][0]
    yindex = l[1][0]
   
    
    return (self.xdomain[index],self.ydomain[index])
    

def __len__(self):
    return len(self.xdomain) * len(self.xdomain) 

我知道我得换衣服了。我想，通过将a（[1,2]，[1,1]）作为第I个样本，将50x50作为总长度，我会得到一个很好的批次。但相反，它给了我一个大小为（2500，2）的数组，并将其分为若干批

---

很抱歉提出这个非常基本的问题，我一直在努力解决更高维度的问题。

您能告诉我们您在使用数据集和数据加载器时做了哪些尝试吗？粘贴代码，解释你打算用它做什么，以及你使用的拦截器faced@trialNerror2天前我写了，但没有人回复，这就是我为什么写这个小帖子的原因。我会在这里做的。这是我最初的帖子：好吧，还有一些事情我仍然不明白，你能给我们一个你的网络的简化版本，并明确它作为输入的格式是什么吗？它是[B，50,50,2]还是[B，2500,2]，还是[B，2]（B是批次大小），以及在成功进行批次处理后，您希望能够输入的张量形状是什么？因为我觉得你们已经把2500个标量（1-d）作为一个2500-d张量，这在概念上是完全不同的。好吧，也许这就是我错过的概念。所以我有（x，y）对，我把它们聚合成一个网格结构（50，50，2），这意味着我有2500个（x，y）对的样本。这就是整个数据集，所以我想把它分解成巴赫的大小，例如（12，12，2）和（12，12，1）。