自定义collate_fn()函数：

在PyTorch中，`collate_fn()`函数是在数据加载过程中用于对数据进行处理的函数，它的作用是将多个样本数据组成一个mini-batch，以便于送入神经网络进行训练。默认情况下，PyTorch会将每个样本的数据拼接成一个tensor，但有时候我们需要对输入数据进行一些自定义的处理，这时就需要自定义`collate_fn()`函数。

下面是一个简单的示例，演示如何自定义`collate_fn()`函数，将输入数据的长度进行排序，并且将每个句子转换成tensor格式：

import torch

def collate_fn(data):
    # 将输入数据按照长度进行排序
    data.sort(key=lambda x: len(x[0]), reverse=True)
    sentences, labels = zip(*data)
    # 将每个句子转换成tensor格式
    sentences_tensor = []
    for sentence in sentences:
        sentence_tensor = torch.tensor(sentence, dtype=torch.long)
        sentences_tensor.append(sentence_tensor)
    # 将所有句子补齐到相同长度
    sentences_tensor = torch.nn.utils.rnn.pad_sequence(sentences_tensor, batch_first=True, padding_value=0)
    # 将标签转换成tensor格式
    labels_tensor = torch.tensor(labels, dtype=torch.long)
    return sentences_tensor, labels_tensor

在这个自定义的`collate_fn()`函数中，我们首先将输入数据按照句子长度进行排序，然后将每个句子转换成tensor格式，并且使用`pad_sequence()`方法将所有句子补齐到相同长度。最后，将标签也转换成tensor格式，并返回处理后的数据。

在使用该自定义`collate_fn()`函数时，只需要将该函数作为参数传递给`DataLoader`对象即可，例如：

train_loader = DataLoader(train_data, batch_size=32, shuffle=True, collate_fn=collate_fn)

这样，每次从`train_loader`中读取的数据都会经过该自定义的`collate_fn()`函数的处理。