怎样从mnist中随机获取数据

可以使用`torch.utils.data.DataLoader`中的`shuffle`参数来打乱数据集中的样本顺序，从而实现随机获取数据。

以下代码展示了如何从MNIST数据集中随机获取5个样本：

import torch
import torchvision
import torchvision.transforms as transforms

# 定义图像预处理方式，将图像转换为Tensor并进行标准化
transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5,), (0.5,))])

# 加载测试集，并打乱样本顺序
testset = torchvision.datasets.MNIST(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=5,
                                         shuffle=True, num_workers=2)

# 随机获取一个批次的数据
dataiter = iter(testloader)
images, labels = dataiter.next()

# 显示图像及其标签
for i in range(5):
    print('标签：', labels[i])
    imshow(images[i])

在上述代码中，我们使用`testloader`来加载测试集数据，并将`shuffle`参数设置为`True`，从而打乱样本顺序。接着，使用`iter()`函数将`testloader`转化为一个迭代器对象，并使用`next()`函数随机获取一个批次的数据。最后，使用`imshow()`函数将图像显示出来，并输出其对应的标签信息。