Dataloader类
DataLoader是Pytorch中用来处理模型输入数据的一个工具类。结合了数据集（dataset） 和 采样器(sampler)，并在数据集上提供单线程或多线程(num_workers )的可迭代对象。官网定义如下：
主要参数说明：
dataset：使用的数据集（可以是自定义的数据集）；
batch_size：每次取样的大小，默认1；
shuffle：每轮取样时数据集顺序是否打乱，默认False，一般设置为True；
epoch：表示一轮，将数据集中的所有数据进行取样结束算一轮；
左侧为False不打乱两轮的每一步的取样（epoch 0和epoch 1）结果都相同，右侧为True打乱顺序
sampler：采样的策略，默认随机采样
num_workers：表示加载数据时采用单个进程还是多个进程进行加载，默认为0使用主进程进行加载（在Windows下大于0时有时会出现问题，当出现BrokenPipeError时可以考虑设为0来解决问题）；
drop_last：当取样时数据集中数量不足取样数时是否舍去剩下的数据，默认False不舍去；
左侧drop_last为False，右侧为True
dataset 与 dataloader
import torchvision.datasets
# 准备的测试数据集
from torch.utils.data import DataLoader
test_data = torchvision.datasets.CIFAR10("./dataset2", train=False, transform=torchvision.transforms.ToTensor())
test_loader = DataLoader(dataset=test_data, batch_size=64, shuffle=True, num_workers=0, drop_last=True)
# 测试数据集中第一张图片及target
img, target = test_data[0]
print(img.shape)
print(target)
# 定义test_loader时，batch_size=64，表示一次从数据集中取出64个数据图像（64个的图像放一起打包，标签放一起打包）
for data in test_loader:
imgs, targets = data
print(imgs.shape)
print(targets)
前两行为测试集中第一张图片及target的输出：3表示RGB三通道，图片大小是32×32的，第二行3表示标签类别
后面为batch_size=64时的输出结果：64表示batch_size的大小，后面三个数字和一张图片时的含义相同，下面为64个图片的targets
import torchvision.datasets
# 准备的测试数据集
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
test_data = torchvision.datasets.CIFAR10("./dataset2", train=False, transform=torchvision.transforms.ToTensor())
test_loader = DataLoader(dataset=test_data, batch_size=64, shuffle=True, num_workers=0, drop_last=True)
writer = SummaryWriter("logs")
for epoch in range(2):
step = 0
for data in test_loader:
imgs, targets = data
# 注意此处是images不是image
writer.add_images("Epoch: {}".format(epoch), imgs, step)
step = step + 1
writer.close()