pytorch 批量处理 DataLoader

我们在进行批量训练时需要考虑每一批的数据来源问题。PyTorch的DataLoader负责管理这些数据集，并方便地将它们加载到模型中以便于使用。通过使用DataLoader我们可以轻松地实现批量处理的功能从而提高训练效率。

pytorch 数据加载到模型的流程

在PyTorch环境中对数据进行加载并输入模型的操作流程如下：第一步是创建一个Dataset类实例。接着，在循环DataLoader对象的过程中，在每一步迭代中从其中读取图片img和标签label，并将其传递给模型用于训练。第二步则是建立一个DataLoader对象。

    dataset = MyDataset()  #创建一个dataset对象
    dataloader = DataLoader(dataset) #把dataset传入dataloader中得到一个dataloader对象
    num_epoches = 100
    for epoch in range(num_epoches): 
    for img, label in dataloader:
        ....

DataLoader

DataLoader负责处理自定义的Dataset，并根据指定的batch size大小以及是否随机打乱顺序等因素将其包装成一批大小为指定batch siz