torch.utils.data.DataLoader

torch.utils.data.DataLoader是PyTorch中的一个数据加载器，它可以方便地对数据进行批处理、打乱顺序、并行加载等操作。一般来说，我们使用DataLoader将数据处理成一个一个的batch，然后送入模型进行训练或测试。DataLoader的常用参数包括：

- dataset：数据集，一般是继承自torch.utils.data.Dataset的自定义类。
- batch_size：每个batch的大小。
- shuffle：是否打乱数据顺序。
- num_workers：用于数据加载的子进程数。
- drop_last：如果数据集的大小不能被batch_size整除，是否舍弃最后一个batch。

使用DataLoader的示例代码如下：

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

class CustomDataset(Dataset):
    def __init__(self):
        self.x = torch.tensor([[1, 2], [3, 4], [5, 6], [7, 8]])
        self.y = torch.tensor([0, 1, 0, 1])

    def __len__(self):
        return self.x.shape[0]

    def __getitem__(self, idx):
        return self.x[idx], self.y[idx]

dataset = CustomDataset()
dataloader = DataLoader(dataset, batch_size=2, shuffle=True, num_workers=2)

for x, y in dataloader:
    print(x, y)

以上代码中，我们自定义了一个数据集CustomDataset，并将其传入DataLoader中。在使用DataLoader时，它会将CustomDataset中的数据按照batch_size进行划分，并在每个batch内进行打乱顺序等操作。在for循环中，我们可以直接遍历DataLoader，每次输出一个batch的数据。