class torch.utils.data.Dataset
表示 \(Dataset\) 的抽象类。
所有其他数据集都应该进行子类化。所以子类应该覆写 __len__和__getitem__，前者提供了数据集的大小，后者支持整数索引，范围从 \(0\) 到 \(len(self)\)。
class torch.utils.data.TensorFataset(data_tensor, target_tensor)
包装数据和目标张量的数据集。
通过沿着第一个维度索引两个张量来恢复每个样本。
参数：
data_tensor(Tensor)：包含样本数据。target_tensor(Tensor)：包含样本标签。
class torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=False, sampler=None,
num_workers=0, collate_fn=<function default_collate>,
pin_memory=False, drop_last=False)
数据加载器。组合数据集合采样器，并在数据集上提供单进程或多进程迭代器。
参数：
-
dataset(\(Dataset\))：加载的数据集。 -
batch_size(\(int,optional\))：每个 \(batch\) 加载多少个样本（默认：1）。 -
shuffle(\(bool, optional\))：设置为 \(True\) 时会在每个 \(epoch\) 重新打乱数据（默认：\(False\)）。 -
sample(\(Sample,optional\))：定义从数据集中提取样本的策略。如果指定，则忽略shuffle参数。 -
num_workers(\(int,optional\))：用多少个子进程加载数据。\(0\) 表示数据将在主进程中加载（默认：\(0\)）。 -
collate_fn(\(callable,optional\)) -
pin_memory(\(bool, optional\)) -
drop_last(\(bool,optional\))：如果数据集大小不能被 \(batch\ size\) 整除，则设置为 \(True\) 后可删除最后一个不完整的 \(batch\)。如果设为 \(False\) 并且数据集大小不能被 \(batch\ size\) 整除，则最后一个 \(batch\) 将更小。（默认：\(False\)）。
class torch.utils.data.sampler.Sampler(data_source)
所有采样器的基础类。
每个采样器子类必须提供一个 __iter__ 方法，提供一种迭代数据集元素的索引的方法，以及返回迭代器长度的 __len__ 方法。
class torch.utils.data.sampler.SequentialSampler(data_source)
样本元素顺序排列，始终以相同的顺序。
参数：
data_source(\(Dataset\))：采样的数据集。
class torch.utils.data.sampler.RandomSampler(data_source)
样本元素随机，没有替换。
参数：
data_source(\(Dataset\))：采样的数据集。
class torch.utils.data.sampler.SubsetRandomSampler(indices)
样本元素从指定的索引列表中随机抽取，没有替换。
参数：
indices(\(list\))：索引的列表。
class torch.utils.data.sampler.WeightedRandomSampler(weights,
num_samples,
replacement=True)
样本元素来自于 \([0,..,len(weights)-1]\)，给定概率（\(weights\)）。
参数：
weights(\(list\))： 权重列表。没必要加起来为1 - num_samples (int) – 抽样数量