torch.utils.data.DataLoader用法

参考链接：官网

CLASStorch.utils.data.DataLoader(dataset, batch_size=1, shuffle=False, sampler=None, batch_sampler=None, num_workers=0, collate_fn=None, pin_memory=False, drop_last=False, timeout=0, worker_init_fn=None, multiprocessing_context=None, generator=None, *, prefetch_factor=2, persistent_workers=False)

数据加载器，将一个dataset和一个sampler组合到一起，并且提供一个在dataset上的可迭代对象。

1. dataset(Dataset)-从这个数据集里加载数据
2. batch_size(int, optional)-每个batch里面加载多少样本（default:1）
3. shuffle(bool, optional)-设置为True时，在每一个epoch都重新洗牌数据。
4. sampler(Sampler or iterable, optional)-定义从数据集提取样本的策略，可以是任何带有__len__()实现的可迭代对象。如果sampler被指定了，那么shuffle一定不能被指定。
5. batch_sampler(Sampler or iterable, optional)-像sampler一样，但是一次返回一批索引。与batch_size、shuffle、sampler和drop_last互斥。
6. num_workers(int, optional)-使用多少子进程用于数据加载，0意味着使用主进程加载数据。（default：0）
7. collate_fn(callable, optional)-合并样本列表形成一小批张量。当从map-style数据集中加载批量数据时，使用这个参数。
8. pin_memory(bool, optional)-如果设置为True，数据加载器将会在返回张量之前，将它们复制到CUDA的固定内存中。如果你的数据元素是定制类型，或者返回定制类型的batch，请看下面的例子。
9. drop_last(bool, optional)-若为True，当数据集大小不能被batch size整除时，丢掉最后不完整的batch；若为False，当数据集大小不能被batch size整除时，最后一个batch会小些。（default：false）
10. timeout(numeric, optional) - if positive, the timeout value for collecting a batch from workers. Should always be non-negative. (default: 0)
11. worker_init_fn(callable, optional)If not None, this will be called on each worker subprocess with the worker id (an int in [0, num_workers - 1]) as input, after seeding and before data loading. (default: None)
12. prefetch_factor(int, optional,keyword-only arg) - 每个进程提前加载的样本数，2意味着在所有的进程中总共有2*num_workers个样本提前获得。
13. persistent_workers(bool, optional) - If True, the data loader will not shutdown the worker processes after a dataset has been consumed once. This allows to maintain the workers Dataset instances alive. (default: False)