traindataloader

`traindataloader`是PyTorch中的一个类，用于加载训练数据。它将数据集分成小批次并将其提供给模型进行训练。通常，训练数据集非常大，无法一次性读入内存中。因此，`traindataloader`负责从硬盘中读取数据并将其转换成张量形式，以便可以在GPU上进行计算。

在使用`traindataloader`时，需要指定以下参数：
- `dataset`: 用于加载的数据集。
- `batch_size`: 每个小批次中包含的样本数。
- `shuffle`: 是否对数据进行随机排序。
- `num_workers`: 用于数据加载的进程数。

例如，以下代码展示如何使用`traindataloader`加载MNIST数据集：

import torch
from torchvision import datasets, transforms

transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))])
train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True, num_workers=4)

在上面的代码中，我们首先定义了一个变换（transform）来将图像转换成张量形式，并进行标准化。然后，我们使用`datasets.MNIST`函数加载MNIST数据集并将其转换成张量形式。最后，我们使用`traindataloader`将数据集划分成小批次，每个小批次包含64个样本，并进行随机排序。