为了将x_data和y_data打乱数据并转换成小批量数据，可以使用PyTorch中的DataLoader和random库。下面是一个示例代码：
import torch
from torch.utils.data import DataLoader, TensorDataset
x_data = torch.randn(10, 3)
y_data = torch.randn(10, 1)
for i, j in zip(x_data ,y_data):
print(i, j)输出
tensor([-1.3064, -1.1474, -0.4826]) tensor([-2.0181])
tensor([-0.7043, 0.4129, -0.7812]) tensor([0.2593])
tensor([ 0.8225, 0.4909, -0.9564]) tensor([0.1052])
tensor([ 0.8489, 0.7734, -0.5316]) tensor([-0.1681])
tensor([ 2.6069, 0.3360, -1.2510]) tensor([-1.5229])
tensor([-0.2588, 0.1903, -1.1847]) tensor([-0.1975])
tensor([-2.6685, 2.1388, -0.7719]) tensor([0.8189])
tensor([-0.4615, -1.3020, 0.9347]) tensor([0.1780])
tensor([-0.6927, -0.1758, 0.0818]) tensor([-0.4284])
tensor([-0.7713, 0.0360, 0.3797]) tensor([-0.4796])小批次，打乱数据
# import random
# 创建TensorDataset对象
dataset = TensorDataset(x_data, y_data)
# 创建DataLoader对象，并指定batch_size和是否要进行打乱
dataloader = DataLoader(dataset, batch_size=2, shuffle=True)
# 遍历每个小批量数据
for batch_x, batch_y in dataloader:
# 在这里执行训练或评估操作
print(batch_x, batch_y)输出
tensor([[ 0.8225, 0.4909, -0.9564],
[-0.7043, 0.4129, -0.7812]]) tensor([[0.1052],
[0.2593]])
tensor([[-0.7713, 0.0360, 0.3797],
[-2.6685, 2.1388, -0.7719]]) tensor([[-0.4796],
[ 0.8189]])
tensor([[-0.2588, 0.1903, -1.1847],
[ 0.8489, 0.7734, -0.5316]]) tensor([[-0.1975],
[-0.1681]])
tensor([[-0.4615, -1.3020, 0.9347],
[-0.6927, -0.1758, 0.0818]]) tensor([[ 0.1780],
[-0.4284]])
tensor([[ 2.6069, 0.3360, -1.2510],
[-1.3064, -1.1474, -0.4826]]) tensor([[-1.5229],
[-2.0181]])其中，使用TensorDataset将x_data和y_data合并到一个数据集中。
然后，使用DataLoader创建一个迭代器，以便逐个处理每个小批量数据。
在这里，batch_size设置为2，这意味着每个小批量将包含2个样本。
shuffle参数设置为True，表示要对数据进行随机打乱。
在遍历每个小批量数据时，可以在循环体内执行训练或评估操作。
