- 下载并处理 CIFAR-10 数据集，用作后续的深度学习模型训练。 - 将数据集转换为 PyTorch DataLoader 格式，确保数据集可以高效加载到 GPU 进行训练。

下载和处理CIFAR-10数据集通常涉及以下几个步骤：

1. **数据获取**：首先从Keras库或者torchvision模块中下载CIFAR-10数据集。对于PyTorch，你可以使用`torchvision.datasets.CIFAR10`类。例如：

   import torchvision
   import torchvision.transforms as transforms

   transform = transforms.Compose([
       transforms.ToTensor(),  # 转换为张量
       transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))  # 归一化
   ])

   train_dataset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
   test_dataset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)

2. **分割数据**：将数据集拆分为训练集、验证集（如果需要）。这通常通过`random_split`函数完成：

   from torch.utils.data import random_split

   train_size = int(0.8 * len(train_dataset))
   val_size = len(train_dataset) - train_size
   train_dataset, val_dataset = random_split(train_dataset, [train_size, val_size])

3. **创建DataLoader**：为了高效地将数据传输给GPU，我们需要将数据集包装成`torch.utils.data.DataLoader`，它会负责批量化数据：

   batch_size = 64
   train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True, num_workers=4)
   val_loader = torch.utils.data.DataLoader(val_dataset, batch_size=batch_size, shuffle=False, num_workers=4)

   test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=batch_size, shuffle=False, num_workers=4)

`num_workers`参数用于异步加载数据，提高性能。

现在，你已经准备好CIFAR-10数据集供深度学习模型训练，并且数据已经被适配为PyTorch DataLoader格式，可以直接输入到GPU中运行模型。