加载数据集代码

加载数据集的代码通常涉及到以下几个步骤：

1. 定义数据集类：定义一个数据集类，并继承 PyTorch 中的 `Dataset` 类，实现 `__len__` 和 `__getitem__` 方法，分别返回数据集的大小和对应索引的数据样本。

2. 数据预处理：对数据进行必要的预处理，例如裁剪、缩放、标准化等。

3. 数据加载器：使用 `DataLoader` 类将数据集封装成一个数据加载器，用于批量读取数据。

下面是一个加载 CIFAR-10 数据集的示例代码：

import torch
import torchvision
import torchvision.transforms as transforms

# 定义数据预处理操作
transform_train = transforms.Compose([
    transforms.RandomCrop(32, padding=4),
    transforms.RandomHorizontalFlip(),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
])

transform_test = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
])

# 加载 CIFAR-10 训练集和测试集
trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform_train)
testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform_test)

# 创建数据加载器
trainloader = torch.utils.data.DataLoader(trainset, batch_size=32, shuffle=True, num_workers=2)
testloader = torch.utils.data.DataLoader(testset, batch_size=32, shuffle=False, num_workers=2)

在这个示例代码中，我们首先定义了数据预处理操作 `transform_train` 和 `transform_test`，分别用于训练集和测试集。然后使用 PyTorch 内置的 `datasets.CIFAR10` 类加载 CIFAR-10 数据集，并指定数据预处理操作。最后使用 `DataLoader` 类创建了训练集和测试集的数据加载器。

需要注意的是，`num_workers` 参数用于指定数据加载所使用的 CPU 数量，可以根据自己的机器性能进行调整。