python中Dataloader

在 PyTorch 中，Dataloader 是一个用于处理数据的工具，它可以将数据集分解成小批量数据，以便于模型进行训练。

Dataloader 主要包含以下参数：

- dataset：指定数据集，可以是自定义的 Dataset 类或者是 PyTorch 自带的数据集，比如 ImageFolder、CIFAR10 等。
- batch_size：指定每个小批量数据的大小。
- shuffle：是否对数据进行打乱。
- num_workers：指定数据加载的进程数量。

使用 Dataloader 可以方便地获取小批量数据。例如：

from torch.utils.data import DataLoader
from torchvision import datasets, transforms

transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))
])

trainset = datasets.MNIST('data/', train=True, download=True, transform=transform)
trainloader = DataLoader(trainset, batch_size=64, shuffle=True)

for images, labels in trainloader:
    # 在这里进行模型的训练
    pass

在上面的例子中，我们使用 MNIST 数据集创建了一个 Dataloader，每次从中读取 64 个样本进行训练。我们可以在训练循环中使用这些数据来更新模型的参数。