1.datasets下载数据集

root :代表着路径，表示现存或者准备存储的地方。
train :代表是否下载训练数据集，如果否的话就下载测试数据集
transform: 如果想对数据集进行什么变化，在这里进行操作
target_transform:跟上面的一样
download:如果是True就会从网上下载数据集

这里使用datasets进行下载操作

import torchvision
train_set=torchvision.datasets.CIFAR10(root='../dataset',train=True,download=True)
test_set=torchvision.datasets.CIFAR10(root='../dataset',train=False,download=True)

也可以将网址复制下来后在迅雷等软件上下载，但是在导入的时候需要注意一点:导入的是解压前的文件，解压后再导入不仅读取不了，而且还会报错然后重新下载。

除了这个数据集之外，datasets还提供很多其他数据集。

2.dataloader

首先了解官方文档的描述。

dataset: 这里就是指将要进行操作的数据集，也可以直接使用上面dataset下载好的数据集进行使用。
batch_size :这里指每次操作的数据个数，每次下载两个或者多个等都可以进行设置，默认情况为1
shuffle；指打乱的意思将数据进行打乱
num_workers:指使用多进程还是单进程，多进程自然会比较快

import torchvision
from torch.utils.data import DataLoader

test_set=torchvision.datasets.CIFAR10(root='./datasets',train=False,transform=torchvision.transforms.ToTensor())
test_loader=DataLoader(dataset=test_set,batch_size=4,shuffle=True,num_workers=0,drop_last=False)
img,target=test_set[0]
print(img.shape)
print(target)

我们使用for循环来对data_loader中的数据进行抓取。

import torchvision
from torch.utils.data import DataLoader

test_set=torchvision.datasets.CIFAR10(root='./datasets',train=False,transform=torchvision.transforms.ToTensor())
test_loader=DataLoader(dataset=test_set,batch_size=4,shuffle=True,num_workers=0,drop_last=False)
img,target=test_set[0]
print(img.shape)
print(target)
for data in test_loader:
    imgs,targets=data
    print(imgs.shape)
    print(targets)

这里需注意，没轮抓取的size是一样的，但是由于shuffle设定为True，所以每次抓取的图片是随机不一样的。

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

test_set=torchvision.datasets.CIFAR10(root='./datasets',train=False,transform=torchvision.transforms.ToTensor())
test_loader=DataLoader(dataset=test_set,batch_size=4,shuffle=True,num_workers=0,drop_last=False)
img,target=test_set[0]
print(img.shape)
print(target)
writer = SummaryWriter("666")
step=0
for data in test_loader:
    imgs,targets=data
    #print(imgs.shape)
    #print(targets)
    writer.add_images("test_set",imgs,step)
    step+=1
writer.close()