通常而言，数据不会以处理好的形式出现，所以我们需要在训练前对数据进行预处理，以适应训练
所有 TorchVision 的 Dataset 都会有两个参数—— transform 用于修改特征，target_transform 用于修改标签——它们接受包含转换逻辑的可调用对象（其实就是接受函数对象）。 torchvision.transforms 模块提供了几种常见的转换。
如下代码为例，我们所拿到的FashionMNIST的特征是一个PIL Image的格式，它的标签是一个Integer整数。但是我们训练的时候，希望特征是一个正则化后的张量，而标签是一个One-Hot向量张量。所以分别采用ToTensor和Lambda函数来进行处理
import torch
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda
ds = datasets.FashionMNIST(
root="data",
train=True,
download=True,
transform=ToTensor(),
target_transform=Lambda(lambda y: torch.zeros(10, dtype=torch.float).scatter_(0, torch.tensor(y), value=1))
)
ToTensor()
ToTensor() 函数可以将一个 PIL image 或者 NumPy ndarray 转换至一个 FloatTensor，同时放缩图像的像素值范围至0-1.
Lambda Transforms
Lambda可以用于定义任何一个用户定义的lambda表达式，使其成为函数，在上述定义的表达式中：
target_transform = Lambda(lambda y: torch.zeros(
10, dtype=torch.float).scatter_(dim=0, index=torch.tensor(y), value=1))
先初始化了一个维度为10的零向量，然后利用scatter_函数，将某一个维度的值赋为1