__len__ 和 __getitem__ 是 PyTorch torch.utils.data.Dataset 抽象类要求必须实现的两个方法，是 PyTorch 数据加载体系的「基石」——
__len__回答：数据集一共有多少个样本？__getitem__回答：给定一个索引 idx，如何获取对应的单个样本？
这两个方法配合 DataLoader，就能实现批量加载、打乱、多线程读取等功能，是 PyTorch 处理数据的标准范式。
__len__ 方法：返回数据集的总样本数
-
告诉
DataLoader「这个数据集有多少个样本」，是DataLoader计算批次、判断迭代终止的依据； -
支持 Python 内置的
len()函数：执行len(dataset)时，本质就是调用dataset.__len__()。 -
self.data是你在__init__中构造的时序样本列表（每个元素是(x, y)样本对）；len(self.data)就是数据集的总样本数，比如你生成的仿真数据最终构造了 1899 个样本，__len__就返回 1899； -
实际用途：
DataLoader会用这个数值计算「一个 epoch 要迭代多少个批次」（总样本数 / 批次大小），比如总样本 1899、批次 32，一个 epoch 就迭代 59 批（1899//32=59，最后一批不足 32 个）。
__getitem__ 方法：根据索引获取单个样本
-
是数据集的「样本读取接口」：给定索引
idx，返回对应的单个样本（输入 + 标签）； -
DataLoader批量加载数据时，本质是循环调用__getitem__(idx)获取单个样本，再堆叠成批次（batch）； -
支持 Python 下标访问：执行
dataset[0]时，本质就是调用dataset.__getitem__(0)。 -
idx：是DataLoader传入的索引（0、1、2... 直到len(dataset)-1）； -
self.data[idx]：取出第idx个时序样本（比如idx=0时，取出第一个(x, y)对，x 是 50 步 ×3 特征的历史数据，y 是对应的预测目标）； -
转换为张量并移到指定设备：将 numpy 数组转为 PyTorch 张量，适配模型训练；
-
返回值：必须是「输入张量 + 标签张量」的格式，是模型训练时的基本数据单元。
总结
方法 核心作用 实际用途 缺失后果 __len__返回数据集总样本数 DataLoader 计算批次、支持 len (dataset) 无法计算迭代次数、len () 报错 __getitem__根据索引返回单个样本（输入 + 标签） DataLoader 批量加载样本、支持 dataset [idx] 无法获取样本、训练直接中断 简单来说：
__len__定义了数据集的「规模」，__getitem__定义了数据集的「读取规则」；- 这两个方法是 PyTorch 数据加载的「最小实现要求」，所有自定义
Dataset都必须实现它们，才能和DataLoader配合完成批量训练。
