pytorch 如何将dataset数据循环加载到模型中

在PyTorch中将Dataset数据循环加载到模型中，可以通过使用DataLoader类来实现。

首先，需要定义自定义的Dataset类，继承自torch.utils.data.Dataset，并实现以下两个方法：

1. __len__(self): 返回Dataset中样本的总数。
2. __getitem__(self, index): 根据index返回对应的样本数据。

接下来，可以创建一个DataLoader对象，它接收这个自定义的Dataset对象作为输入，并提供一些参数来配置数据加载过程。其中，一些常用的参数有：

1. batch_size：每次返回的样本数量。
2. shuffle：是否对数据进行随机打乱。
3. num_workers：用于并行加载数据的进程数量。

然后，可以使用for循环来迭代这个DataLoader对象，即可获得每个batch的数据。在每个循环中，可以将数据送入模型进行训练或推理。

下面是一个简单的示例代码：

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

class MyDataset(Dataset):
    def __init__(self, data):
        self.data = data
        
    def __len__(self):
        return len(self.data)
    
    def __getitem__(self, index):
        return self.data[index]
    
# 创建自定义的Dataset对象
my_data = [1, 2, 3, 4, 5]
dataset = MyDataset(my_data)

# 创建DataLoader对象
dataloader = DataLoader(dataset, batch_size=2, shuffle=True, num_workers=2)

# 循环加载数据并送入模型
for inputs in dataloader:
    # 将inputs送入模型进行训练或推理
    pass

上述代码中，MyDataset类表示一个简单的自定义Dataset，返回的数据为[1, 2, 3, 4, 5]。通过设置batch_size=2，shuffle=True和num_workers=2，我们创建了一个DataLoader对象dataloader。然后，在循环中，我们可以通过dataloader来迭代每个batch的数据，并将其送入模型进行训练或推理。