前言

  本系列主要是对pytorch基础知识学习的一个记录，尽量保持博客的更新进度和自己的学习进度。本人也处于学习阶段，博客中涉及到的知识可能存在某些问题，希望大家批评指正。另外，本博客中的有些内容基于吴恩达老师深度学习课程，我会尽量说明一下，但不敢保证全面。

一、构造数据类Dataset

  要想使用Dataloader，我们需要构造一个适用于待解决问题的一个数据类，该数据类必须继承Dataset，下面是一个简单的例子：

from torch.utils.data import DataLoader, Dataset
class MnistData(Dataset):
    def __init__(self, data_path, label_path):
        super(MnistData, self).__init__()
        self.data, self.label = load_mnist(data_path, label_path)
        self.data = self.data[0:1000, :]
        self.label = self.label[0:1000]
        self.len = self.label.shape[0]

    def __getitem__(self, index):
        return self.data[index], self.label[index]

    def __len__(self):
        return self.len

  这里我为手写数字图片构造了一个数据类，因为数据集比较简单（数据+标签），因此数据类中的成员变量也不是很多。我个人觉得还是要具体问题具体分析，当需要处理文本数据时，构造的类就会复杂许多。==loadmnist== 是读取文件的一个函数。
  当你构建数据类时，你必须继承 ==Dataset== 类，并复写 getitem 函数和 len _ 函数

二、使用Dataloader

  pytorch给出的Dataloader解释如下：

1.dataset:Dataset类型，传入提前构造好的数据类。
2.batch_size:int类型，批处理的大小，不用自己划分数据集。
3.shuffle:bool类型，当设置为True时，每个epoch会随机打乱数据集。

使用Dataloader:

mnist_data = MnistData(train_data_path, train_label_path)
train_loader = DataLoader(dataset=mnist_data, batch_size=32, shuffle=True)

遍历Dataloader：

for epoch in range(epoch_num):
    epoch_cost = 0
    for i, data in enumerate(train_loader):
        img_data, labels = data

总结

  本人对Dataloader的了解其实并不很透彻，只会一些基本使用，在今后的情形中若碰见比较复杂的情形，我会完善这一篇博客。