Dataloader就是根据Dataset的数据类型生成的一个迭代器，可以按批(batch)的取出我们的数据进行训练，也可打乱(shuffle)数据集。下面只介绍几个常用参数：

    1. torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=False, sampler=None, 
    2.     batch_sampler=None, num_workers=0, collate_fn=None, pin_memory=False, 
    3.     drop_last=False, timeout=0, worker_init_fn=None, multiprocessing_context=None)
    • dataset：Dataset类型的数据集。
    • batchsize：每个bacth要加载的样本数，默认为1。
    • shuffle：在每个epoch中对整个数据集的顺序进行打乱，默认为False。
    • sample：定义从数据集中加载数据所采用的策略，如果指定的话，shuffle必须为False；
      • torch.utils.data 下面有几种采样方法比如RandomSampler，可以传入这些方法的实例。
    • num_workers：表示开启多少个线程数去加载你的数据，默认为0，代表只使用主进程。

    • collate_fn：可以理解为对batch操作的函数，可以自定义化batch。 

      1. def collate_fn(batch):
      2.   """Custom collate fn for dealing with batches of images that have a different
      3.   number of associated object annotations (bounding boxes).
      5.   Arguments:
      6.       batch: (tuple) A tuple of tensor images and lists of annotations
      7.   Return:
      8.       A tuple containing:
      9.           1) (tensor) batch of images stacked on their 0 dim
      10.           2) (list of tensors) annotations for a given image are stacked on
      11.                                0 dim
      12.   """

    • pin_memory：表示要将load进来的数据是否要拷贝到pin_memory区中，其表示生成的Tensor数据是属于内存中的锁页内存区，这样将Tensor数据转义到GPU中速度就会快一些，默认为False。

    • drop_last：当你的整个数据长度不能够整除你的batchsize，选择是否要丢弃最后一个不完整的batch，默认为False。

      注：这里简单科普下pin_memory，通常情况下，数据在内存中要么以锁页的方式存在，要么保存在虚拟内存(磁盘)中，设置为True后，数据直接保存在锁页内存中，后续直接传入cuda；否则需要先从虚拟内存中传入锁页内存中，再传入cuda，这样就比较耗时了，但是对于内存的大小要求比较高。