根据以下内容绘图：1.加载cifar10，加载到本地文件夹‘cifar’； 2.利用transforms对加载的图片进行处理； ①使用torch.utils.data.dataloader，将数据集加载到模型中用于训练或测试。并行地从数据集中加载样本，对数据进行批处理和洗牌，并使用多线程来加速数据加载过程； ②设置mean和std值，将图片3个信道各自的平均值剪去该设定值，使处理后的均值和标准差都围绕在0左右； ③连续加载图片，添加shuffle对加载的图片随机排序 3.对导入的数据进行循环迭代训练，输出最后训练结果。

很抱歉，我无法绘制图片。但是，我可以提供一些代码示例来说明这个过程：

1. 加载cifar10，加载到本地文件夹‘cifar’。

import torchvision.datasets as datasets

train_data = datasets.CIFAR10(root='./cifar', train=True, download=True)
test_data = datasets.CIFAR10(root='./cifar', train=False, download=True)

2. 利用transforms对加载的图片进行处理。

import torchvision.transforms as transforms

transform = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.RandomHorizontalFlip(),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

train_data.transform = transform
test_data.transform = transform

3. 使用torch.utils.data.dataloader，将数据集加载到模型中用于训练或测试。

import torch.utils.data as data

train_loader = data.DataLoader(train_data, batch_size=64, shuffle=True, num_workers=4)
test_loader = data.DataLoader(test_data, batch_size=64, shuffle=False, num_workers=4)

4. 对导入的数据进行循环迭代训练，输出最后训练结果。

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

for epoch in range(10):
    running_loss = 0.0
    for i, data in enumerate(train_loader, 0):
        inputs, labels = data

        optimizer.zero_grad()

        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()

        if i % 2000 == 1999:
            print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')