pytorch中data

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。所有子类应override__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.TensorDataset(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) －　包含样本目标（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。组合数据集和采样器，并在数据集上提供单进程或多进程迭代器。
参数：
dataset (Dataset) – 加载数据的数据集。
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).
sampler (Sampler, 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并且数据集的大小不能被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