使用Dataset与Dataloader加载数据 - 首次加载数据使用直接下载的方式，数据存放至./data文件夹

好的，以下是代码实现：

import torch
import torchvision
import torchvision.transforms as transforms
from torch.utils.data import DataLoader, Dataset
import os

# 定义自定义的MINST数据集
class CustomMNISTDataset(Dataset):
    def __init__(self, train=True, transform=None):
        self.train = train
        self.transform = transform
        if self.train:
            self.data, self.labels = torch.utils.data.Subset(torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transforms.ToTensor()), list(range(0, 50000)))
        else:
            self.data, self.labels = torch.utils.data.Subset(torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transforms.ToTensor()), list(range(50000, 60000)))

    def __getitem__(self, index):
        img, target = self.data[index], self.labels[index]
        if self.transform is not None:
            img = self.transform(img)
        return img, target

    def __len__(self):
        return len(self.data)

# 定义数据预处理方式
transform = transforms.Compose([
    transforms.Normalize((0.1307,), (0.3081,))
])

# 加载训练集和测试集
train_dataset = CustomMNISTDataset(train=True, transform=transform)
train_loader = DataLoader(train_dataset, batch_size=128, shuffle=True)
test_dataset = CustomMNISTDataset(train=False, transform=transform)
test_loader = DataLoader(test_dataset, batch_size=128, shuffle=False)

注意：这段代码在第一次运行时会直接下载MINST数据集，存放至./data文件夹下。如果之后再次运行需要手动删除./data文件夹下的所有文件。同时，为了减小训练集大小，代码中只使用前50000个样本作为训练集，后10000个样本作为测试集。如果需要使用完整的训练集，可以将`self.data, self.labels`的赋值语句改为`torchvision.datasets.MNIST(root='./data', train=self.train, download=True, transform=transforms.ToTensor())`。