PyTorch中torch.utils.data.DataLoader加載數據

       DataLoader是PyTorch中的一種數據類型，在PyTorch架構中訓練或者驗證模型經常要使用它，那麼怎麼生成以及使用這樣的數據類型？

---

一、參數設置

torch.utils.data.DataLoader(
      dataset   			#數據加載
      batch_size = 1		#批處理樣本大小
      shuffle = False		#是否在每一輪epoch打亂樣本順序
      sampler = None		#指定數據加載中使用的索引/鍵的序列
      batch_sampler = None	#和sampler類似
      num_workers = 0		#是否進行多進程加載數據設置
      collat​​e_fn = None		#是否合併樣本列表以形成一小批Tensor
      pin_memory = False	#如果True，數據加載器會在返回之前將Tensors複製到CUDA固定內存
      drop_last = False		#True若數據集大小不能被batch_size整除，則刪除最後一個不完整的批處理。
      timeout = 0			#如果爲正，則爲從工作人員收集批處理的超時值
      worker_init_fn = None )

       具體可參考官方文檔。

1、dataset：（數據類型 Dataset）
       輸入的數據類型，也是最重要的參數，它表示要加載數據的數據集對象。

2、batch_size：（數據類型 int）
       批處理樣本的大小，默認爲1。

3、shuffle：（數據類型 bool）
       在每輪迭代訓練時是否將數據洗牌。默認設置爲False。設置爲True則是在每一輪中，輸入數據的順序將被打亂，這是爲了使數據更有獨立性，訓練的時候一般都設置爲True，若輸入數據是有序的，就不要設置成True了。

4、collate_fn：（數據類型 callable可調用對象）
       將一小段數據合併成數據列表，默認設置是False。如果設置成True，系統會在返回前會將張量數據（Tensors）複製到CUDA內存中。

5、sampler：（數據類型 Sampler）
       採樣，默認設置爲None。根據定義的策略從數據集中採樣輸入。如果定義採樣規則，則洗牌（shuffle）設置必須爲False。

6、num_workers：（數據類型 Int）
       子進程數量，默認是0。使用多少個子進程來加載數據。0 就是使用主進程來加載數據。注意：這個數字必須是大於等於0的，該值的設置應該量內存大小而爲。

7、pin_memory：（數據類型 bool）
       內存寄存，默認爲False。在數據返回前，是否將數據複製到CUDA內存中。

8、drop_last：（數據類型 bool）
       丟棄最後數據，默認爲False。設置了 batch_size 的數目後，最後一批數據未必是設置的數目，有可能會小些。這時你是否需要丟棄這批數據。

9、timeout：（數據類型 numeric）
       超時值，默認爲0。是用來設置數據讀取的超時時間，超過這個時間還沒讀取到數據的話就會報錯。 所以，數值必須大於等於0。

---

二、實際應用

import torch
from torch.utils.data import Dataset, DataLoader

#---------------預處理-----------------
transform = transforms.Compose([
    	transforms.Resize((224, 224), 2),
    	transforms.ToTensor(),
    	transforms.Normalize(mean=(0.5, 0.5, 0.5), std=(0.5, 0.5, 0.5))])
#--------------數據加載----------------
trainset = torchvision.datasets.CIFAR10(root='./data', 
										train=True, 
										download=False, 
										transform=transform)
# torch.utils.data.DataLoader
trainloader = DataLoader(dataset=trainset, 
							batch_size=32, 
							shuffle=True, 
							num_workers=0)  

for epoch in range(100):
	running_loss = 0.0
	batch_size = 32
	for i, data in enumerate(trainloader, 0):
    	inputs, labels = data
        inputs, labels = Variable(inputs), Variable(labels)