torch.utils.data

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