torch DataLoader

torch DataLoader是PyTorch框架中一个用于数据加载的工具。它可以帮助我们高效地加载和预处理数据，并且支持多线程和批量处理。

使用DataLoader，我们可以将数据集封装成一个迭代器，可以按批次地获取样本数据。这对于训练深度学习模型非常有用，因为通常需要以小批量的方式输入数据进行训练。

要使用DataLoader，首先需要将数据集封装成一个Dataset对象。PyTorch提供了多个内置的Dataset类，也可以自定义Dataset类来适应不同的数据格式。然后，我们可以通过指定batch_size、shuffle等参数来创建一个DataLoader对象。

下面是一个使用DataLoader加载数据的示例代码：

from torch.utils.data import DataLoader
from torchvision.datasets import MNIST
from torchvision.transforms import ToTensor

# 创建一个MNIST的训练数据集对象
train_dataset = MNIST(root='data/', train=True, transform=ToTensor(), download=True)

# 创建一个DataLoader对象
train_dataloader = DataLoader(train_dataset, batch_size=64, shuffle=True)

# 遍历数据集
for batch in train_dataloader:
    images, labels = batch
    # 在这里进行模型的训练等操作

在上述示例中，我们使用MNIST数据集创建了一个训练数据集对象train_dataset，并通过DataLoader将其封装为train_dataloader。然后，我们可以通过遍历train_dataloader来获取每个批次的数据，其中每个批次的大小为64。

通过使用DataLoader，我们可以更方便地加载和处理数据，提高模型训练的效率。