摘抄自dive into dpl。
def load_array(data_arrays, batch_size, is_train=True): #@save
"""构造一个PyTorch数据迭代器"""
dataset = data.TensorDataset(*data_arrays)
return data.DataLoader(dataset, batch_size, shuffle=is_train)
这个 load_array 函数是用于在PyTorch中创建数据加载器（DataLoader）的实用函数。它将数据数组（例如特征和标签）转换为PyTorch的 DataLoader，后者在训练神经网络时用于批量加载数据。下面是该函数的逐行解释：
函数定义
def load_array(data_arrays, batch_size, is_train=True):
data_arrays：预期是一个包含特征和标签的数组（或张量）的元组。
batch_size：每个批次的数据量大小。
is_train：一个布尔值，指示这个加载器是否用于训练。这通常决定了数据是否在每个epoch后被随机打乱。
函数体
dataset = data.TensorDataset(*data_arrays)
data.TensorDataset(data_arrays) 创建了一个 TensorDataset。TensorDataset 是PyTorch中的一个数据集封装器，它接受一组张量并将它们视为一个数据集。在这里，data_arrays 代表 data_arrays 中的元素（如特征和标签张量）将作为单独的参数传入 TensorDataset。
return data.DataLoader(dataset, batch_size, shuffle=is_train)
data.DataLoader 创建了一个数据加载器，它接受上一步创建的 dataset，batch_size，以及一个 shuffle 参数，后者根据 is_train 的值决定是否在每个epoch开始时随机打乱数据（对于训练数据通常是需要的，以提高模型的泛化能力）。
总结
总的来说，这个 load_array 函数是为了方便地从给定的数据数组中创建一个 DataLoader，使得在训练或评估模型时可以轻松地批量加载数据。数据加载器是PyTorch中处理数据批次的标准方式，特别是在处理较大的数据集时。通过这种方式，你可以有效地管理内存使用，同时利用PyTorch的高效数据处理来加速模型训练。
