【pytorch】DataLoader的使用

 DataLoader 是 PyTorch 中用于加载数据的工具，它能够方便地对数据进行批量加载、洗牌和并行处理等操作。通常情况下，我们会将数据集通过 Dataset 对象传入 DataLoader 中，然后在模型训练过程中使用 DataLoader 来迭代加载数据。

DataLoader 时，可以通过设置一系列参数来控制数据加载的方式，常用的参数包括：

dataset：要加载的数据集，通常是一个 Dataset 对象。
batch_size：每个批次中的样本数量。
shuffle：是否在每个 epoch 之后对数据进行洗牌，默认为 False。
num_workers：用于数据加载的子进程数目，可以加速数据加载过程。
drop_last：如果数据集大小不能被批量大小整除，是否丢弃最后一批数据，默认为 False。
pin_memory：是否将数据加载到 CUDA 的固定内存中，对于 GPU 加速训练有帮助。

import torchvision
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
test_data = torchvision.datasets.CIFAR10(root='./dataset',train=False,transform = torchvision.transforms.ToTensor())#测试数据集
test_loader = DataLoader(dataset = test_data,batch_size = 64,shuffle=True,num_workers=0,drop_last=False)
#drop_last=Ture时，因为此时batch_size = 64不能整除最后一个不完整的batch，因此会被舍去
#drop_last=False时，则会进行保留
#shuffle Ture随机重排 False按照原序列

img, target=test_data[0]
print(img.shape)#torch.Size([3, 32, 32])   3 个通道（红、绿、蓝）,32，32表示高度和宽度
print(target)
step = 0
writer = SummaryWriter('dataloader')
for data in test_loader:
    imgs,targets = data
    # print(imgs.shape)
    # print(targets)
    writer.add_images('test_data',imgs,step)
    step = step+1
writer.close()