帮我用pytorch写一段代码，要求将训练集数据和数据绑定在一起然后使用dataloader打包好

当然可以！以下是一个示例代码，用于将训练集数据与标签绑定并使用 DataLoader 打包：

import torch
from torch.utils.data import DataLoader, Dataset

# 自定义数据集类
class MyDataset(Dataset):
    def __init__(self, data, labels):
        self.data = data
        self.labels = labels
        
    def __getitem__(self, index):
        x = self.data[index]
        y = self.labels[index]
        return x, y
    
    def __len__(self):
        return len(self.data)

# 假设训练集数据和标签分别为 train_data 和 train_labels
train_data = [...]  # 训练集数据
train_labels = [...]  # 训练集标签

# 创建自定义数据集对象
dataset = MyDataset(train_data, train_labels)

# 设置批次大小和是否打乱数据
batch_size = 32
shuffle = True

# 创建 DataLoader 对象
dataloader = DataLoader(dataset, batch_size=batch_size, shuffle=shuffle)

# 使用 dataloader 迭代获取数据和标签
for batch_data, batch_labels in dataloader:
    # 在这里进行训练操作，batch_data 和 batch_labels 分别为一个批次的数据和标签
    # ...
    pass

你可以将 `train_data` 和 `train_labels` 替换为你实际的训练集数据和标签。然后，你可以在 `for` 循环中执行你的训练操作，每次迭代会得到一个批次的数据和标签。

希望这可以帮到你！如果还有其他问题，请随时提问。