mmdet3d读入waymo dataset：from file to input tensor

之前已经处理出了kitti format的waymo dataset文件，但距离模型真正处理数据还有很长一段路。虽然在runner的train里，data的获取很简单，就是一个enumerate(dataloader)：

for i, data_batch in enumerate(self.data_loader):
            self._inner_iter = i
            self.call_hook('before_train_iter')
            self.run_iter(data_batch, train_mode=True, **kwargs)
            # model forward && calc loss && backprop
            self.call_hook('after_train_iter')
            # optimize, save logs
            self._iter += 1

但事实上数据要从file system读入到内存，经过pipeline类的格式处理、数据增强，进入gpu，然后才能给已经load进gpu的model进行训练。
在这个过程中有几个很关键的类在起作用，有dataset类，sampler类，dataloader类，mmdet的这几个类基本上继承自pytorch类。接下来结合waymo的代码介绍一下这三个类。

torch.utils.data

iterator 迭代器

和c++里的set等stl类一样，iterator可以帮助我们遍历整个类，或者说容器的内容。在这里主要是sampler和dataloader有自己的iterator，这样就能实现for i,data in enumerate(dataloader): output = model(data)的功能了。
对于dataloader来说，为了支持iterator，需要实现几个方法：

1. .__len__(self)，一般返回类的长度，比如数据有几个frame。
2. .__getitem__(self)，定义获取容器指定元素的行为，这样就可以以data[index]的下标方式访问类里的信息。
3. .__iter__(self)：定义当迭代容器中的元素时的行为，我的理解是，这样使得for之初能获取到dataloader的iterator
4. .__next__(self)：定义迭代器的迭代规则，比如按某种顺序遍历整个set，for循环每次都会调用一下next。
   具体例子可以看教程一

dataset

主要实现了数据从文件读到内存的功能，定义了__getitem__，这样当你dataset[index]的时候，就能得到某个frame的数据。主要类型有两种&