神经网络中dataset、dataloader获取加载数据的使大概结构及例子（pytorch框架）

使用yolo等算法进行获取加载数据进行训练、验证等，基本上都是以每轮获取所有数据，每轮中又分批次（batch）获取图片和标签，大概结构可以用以下的代码进行概括：

import torchvision
from torch.utils.tensorboard import SummaryWriter
from torch.utils.data import DataLoader

trans_dataset = torchvision.transforms.Compose([
    torchvision.transforms.ToTensor()
])

test_set = torchvision.datasets.CIFAR10(root="./dataset", train=False, transform=trans_dataset, download=True)
test_loader = DataLoader(dataset=test_set, batch_size=64, shuffle=False, num_workers=16, drop_last=True)

writer = SummaryWriter("log")
step = 0

for epoch in range(2):
    for data in test_loader:
        imgs, targets = data
        writer.add_images("Epoch {}".format(epoch), imgs, step)
        step += 1
writer.close()

经过dataloader后得到的是个迭代器，其中迭代器的每个元素是个集合：[ batch张图片的集合，batch个label的集合 ]
大概结构如下：

利用tensorboard查看每轮每批获取到的数据更加直观，运行完以上代码后，在terminal执行命令：tensorboard --logdir=log打开网页：

因为shuffle为False所以每轮都以相同的顺序获取数据，可以看到图中两轮获取到的一模一样。
若shuffle为True，再次运行，结果如下：

此时每轮获取的顺序就不一样了。