torch.utils.data.DataLoader函数

torch.utils.data.DataLoader函数是PyTorch中用于加载数据的工具函数之一。它提供了一个简单而高效的数据加载器，用于在训练过程中对数据进行批处理、打乱和并行加载。

DataLoader函数的主要参数包括：
- dataset：表示要加载的数据集，可以是自定义的Dataset类或者已存在的预定义数据集（如torchvision.datasets中的数据集）。
- batch_size：表示每个批次中的样本数量。
- shuffle：表示是否对数据进行打乱操作，以便每个epoch都能得到不同的样本顺序。
- num_workers：表示用于数据加载的子进程数量，可以加速数据加载过程。
- collate_fn：表示用于将样本列表转换为小批量张量的函数，默认使用torch.utils.data.dataloader.default_collate。
- pin_memory：表示是否将数据保存在CUDA固定内存中，可以加速GPU上的数据传输。

使用DataLoader函数可以方便地将数据集加载到模型中进行训练或推断。例如，可以通过以下方式创建一个数据加载器：

from torch.utils.data import DataLoader

# 创建自定义数据集对象
dataset = MyDataset()

# 创建数据加载器
dataloader = DataLoader(dataset, batch_size=32, shuffle=True, num_workers=4)

然后，可以使用for循环遍历数据加载器，并逐个获取每个批次的数据进行训练或推断：

for batch_data in dataloader:
    inputs, labels = batch_data
    # 在这里进行模型训练或推断

通过使用DataLoader函数，可以更加便捷地对大规模数据集进行高效的批处理和并行加载。