使用pytorch编写编写load_data函数用CIFAR10数据

好的，以下是一个使用PyTorch加载CIFAR10数据集的示例代码：

import torch
import torchvision
import torchvision.transforms as transforms

def load_data(batch_size=32):
    transform = transforms.Compose(
        [transforms.ToTensor(),
         transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

    trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                            download=True, transform=transform)
    trainloader = torch.utils.data.DataLoader(trainset, batch_size=batch_size,
                                              shuffle=True, num_workers=2)

    testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                           download=True, transform=transform)
    testloader = torch.utils.data.DataLoader(testset, batch_size=batch_size,
                                             shuffle=False, num_workers=2)

    classes = ('plane', 'car', 'bird', 'cat',
               'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

    return trainloader, testloader, classes

在这个函数中，我们使用了PyTorch内置的 torchvision.datasets.CIFAR10 数据集类来加载CIFAR10数据集。我们对数据进行了归一化和转换为张量的操作，然后将训练集和测试集分别加载到 DataLoader 中。最后，我们还定义了 CIFAR10 数据集中类别的名称。

可以使用以下代码来调用该函数：

trainloader, testloader, classes = load_data(batch_size=32)
print('Number of training images: {}'.format(len(trainloader.dataset)))
print('Number of test images: {}'.format(len(testloader.dataset)))
print('Number of classes: {}'.format(len(classes)))

这段代码将打印出训练集、测试集和类别的数量。