1：自定义数据集
[注]每一个文件中对应弄干张相同种类但是不同状态的图片。比如：若干张不同状态小狗的图片。
(1.1)初始化
class Pokemon(Dataset):
def __int__(self,root,resize,mode):
【注】上图中第二张图片，sorted的位置错误，应该用在sorted(os.listdir(os.path.join(root)))
【注】os.listdir()可以将根目录下包括目录名以及文件名都列出来(注顺序是随机的)。os.path.isdir(os.path.join(root,name))判断文件名是否是目录文件名。
【注】sorted()可以对所有可迭代对象进行排序操作。sort()是针对于list的排序操作。
【注】初始化参数name2label是一个映射表（【注】其存储以字典的形式存储）：将string类型的label映射成一个与之对应的编号表。例如：原始lable为[cat,dog,fish]，映射成lable[0,1,2]，将其对应关系以{'cat':0,'dog':1,'fish',2}字典的形式存储。
（1.2）加载数据
if:需要的指定的csv文件不存在，得需要先对数据路径进行保存，形成指定格式（path<数据路径> lable<为int类型>）的.csv文件然后进行加载。
[注]'os.sep'为\
最终结果生成指定类型文件的数据，数据格式为（数据，标签）：
else :内容格式为:path(数据存储路径) lable(为int类型)的文件存在，则直接可以进行数据加载
（1.3）数据的划分：train 60%,val 20%,test 20%.
（1.4）:数据处理，将数据进行变形(以达到数据增强的目的)，增强数据并且转换成可以用pytorch处理的tensor类型。
return img,label
【注】数据的变形（增强）操作：Resize()放大缩小,RandomRotation()旋转,CenterCrop()中心裁剪,ToTenser(),Normalize()规范化将数据压缩到-1，1之间
【注】Normalize()之后，可视化会出现问题，所以要进行denormalize()
【注】transforms.Compose{}转换器.lambda pa1:主体 左边为指定输入参数pa1,右边为lambda的主体。
【注】Python图像处理 PIL中convert(‘L’)函数原理，PIL有九种不同模式: 1，L，P，RGB，RGBA，CMYK，YCbCr，I，F。
img=img.convert()可以把图片转为指定格式的图片。https://blog.csdn.net/fanlily913/article/details/106571186详细参考该篇博客。
【注】mean=[0.485,0.456,0.406]三个值分别为R,G,B三个通道上的均值。std=[0.229,0.224,0.225]分别为R,G,B三个通道上的方差。
（1.5）通过可视化进行验证
未进行normalize()的可视化验证
进行了normalize（）的可视化验证
[注]需要开启visdom进程：python -m visdom.server
（1.6）批量（batch）加载数据
【注】需要导入：from torch.utils.data import Dataset,DataLoader
2:使用如下代码也能完成数据集的加载工作
（2.1）一行代码完成数据加载
【注】这只能完成按照比较常规的目录存储的数据
【注】当用cpu时，可以通过DataLoader(db,batch_size=,num_workers=)开启多线程。
（2.2）如何查看成员变量：自动编码的表格
