Pytorch中如何使用DataLoader对数据集进行批训练

1. 为什么使用dataloader进行批训练
   我们的训练模型在进行批训练的时候，就涉及到每一批应该选择什么数据的问题，而pytorch的dataloader就能够帮助我们包装数据，还能够有效的进行数据迭代，以达到批训练的目的。
2. 如何使用pytorch数据加载到模型

Pytorch的数据加载到模型是有一个操作顺序，如下：

1. 创建一个dataset对象
2. 创建一个DataLoader对象
3. 循环这个DataLoader对象，将标签等加载到模型中进行训练

1. 关于DataLoader
   DataLoader将自定义的Dataset根据batch size大小、是否shuffle等封装成一个Batch Size大小的Tensor，用于后面的训练
   
2. 使用DataLoader进行批训练的例子
   
   打印结果如下：
   
3. 结语

Dataloader作为pytorch中用来处理模型输入数据的一个工具类，组合了数据集和采样器，并在数据集上提供了单线程或多线程的可迭代对象，另外我们在设置shuffle=TRUE时，每下一次读取数据时，数据的顺序都会被打乱，然后再进行下一次，从而两次数据读取到的顺序都是不同的，而如果设置shuffle=False，那么在下一次数据读取时，不会打乱数据的顺序，也因此两次读取到的数据顺序是相同的，并且我们通过借助tensor展示各种参数的功能，能为后续神经网络的训练奠定基础，同时也能更好的理解pytorch。