toch Dataloader

PyTorch DataLoader是一个数据处理工具，用于加载大量数据并进行批量处理。它可以自动为你处理数据的分批、随机化、打乱等操作。在使用PyTorch进行深度学习任务时，通常需要从数据集中加载数据，将其转换成张量并打包成小批量进行训练。这时，DataLoader就是一个很好的选择。

使用DataLoader时，你需要先定义一个数据集类，然后在DataLoader中实例化这个类。DataLoader接受一个数据集对象，一个batch_size参数和一些其他可选参数，例如是否打乱数据、是否使用多线程加载等。在训练过程中，你可以循环遍历DataLoader，它会自动返回一个小批量数据。

下面是一个使用DataLoader加载MNIST数据集的示例：

from torch.utils.data import DataLoader
from torchvision.datasets import MNIST
from torchvision.transforms import ToTensor

# 定义数据集
train_dataset = MNIST(root='data/', train=True, transform=ToTensor(), download=True)

# 定义DataLoader
train_dataloader = DataLoader(dataset=train_dataset, batch_size=64, shuffle=True, num_workers=4)

# 循环遍历DataLoader
for batch in train_dataloader:
    images, labels = batch
    # 在这里进行模型训练

在上面的代码中，我们使用了PyTorch内置的MNIST数据集，并定义了一个batch_size为64的DataLoader。在训练时，我们可以循环遍历train_dataloader，它会自动返回64个数据的小批量。