1、dataset：（數據類型 dataset）

輸入的數據類型,這里是原始數據的輸入。PyTorch內也有這種數據結構。

2、batch_size：（數據類型 int）

批訓練數據量的大小，根據具體情況設置即可（默認：1）。PyTorch訓練模型時調用數據不是一行一行進行的（這樣太沒效率），而是一捆一捆來的。這里就是定義每次喂給神經網絡多少行數據，如果設置成1，那就是一行一行進行（個人偏好，PyTorch默認設置是1）。每次是隨機讀取大小為batch_size。如果dataset中的數據個數不是batch_size的整數倍，這最后一次把剩余的數據全部輸出。若想把剩下的不足batch size個的數據丟棄，則將drop_last設置為True，會將多出來不足一個batch的數據丟棄。

3、shuffle：（數據類型 bool）

洗牌。默認設置為False。在每次迭代訓練時是否將數據洗牌，默認設置是False。將輸入數據的順序打亂，是為了使數據更有獨立性，但如果數據是有序列特征的，就不要設置成True了。

4、collate_fn：（數據類型 callable，沒見過的類型）

將一小段數據合并成數據列表，默認設置是False。如果設置成True，系統會在返回前會將張量數據（Tensors）復制到CUDA內存中。

5、batch_sampler：（數據類型 Sampler）

批量采樣，默認設置為None。但每次返回的是一批數據的索引（注意：不是數據）。其和batch_size、shuffle 、sampler and drop_last參數是不兼容的。我想，應該是每次輸入網絡的數據是隨機采樣模式，這樣能使數據更具有獨立性質。所以，它和一捆一捆按順序輸入，數據洗牌，數據采樣，等模式是不兼容的。

6、sampler：（數據類型 Sampler）

采樣，默認設置為None。根據定義的策略從數據集中采樣輸入。如果定義采樣規則，則洗牌（shuffle）設置必須為False。

7、num_workers：（數據類型 Int）

工作者數量，默認是0。使用多少個子進程來導入數據。設置為0，就是使用主進程來導入數據。注意：這個數字必須是大于等于0的，負數估計會出錯。

8、pin_memory：（數據類型 bool）

內存寄存，默認為False。在數據返回前，是否將數據復制到CUDA內存中。

9、drop_last：（數據類型 bool）

丟棄最后數據，默認為False。設置了 batch_size 的數目后，最后一批數據未必是設置的數目，有可能會小些。這時你是否需要丟棄這批數據。

10、timeout：（數據類型 numeric）

超時，默認為0。是用來設置數據讀取的超時時間的，但超過這個時間還沒讀取到數據的話就會報錯。 所以，數值必須大于等于0。

11、worker_init_fn（數據類型 callable，沒見過的類型）

子進程導入模式，默認為Noun。在數據導入前和步長結束后，根據工作子進程的ID逐個按順序導入數據。

對batch_size舉例分析：

"""
    批訓練，把數據變成一小批一小批數據進行訓練。
    DataLoader就是用來包裝所使用的數據，每次拋出一批數據
"""
import torch
import torch.utils.data as Data
 
BATCH_SIZE = 5
 
x = torch.linspace(1, 11, 11)
y = torch.linspace(11, 1, 11)
print(x)
print(y)
# 把數據放在數據庫中
torch_dataset = Data.TensorDataset(x, y)
loader = Data.DataLoader(
    # 從數據庫中每次抽出batch size個樣本
    dataset=torch_dataset,
    batch_size=BATCH_SIZE,
    shuffle=True,
    # num_workers=2,
)
 
def show_batch():
    for epoch in range(3):
        for step, (batch_x, batch_y) in enumerate(loader):
            # training
            print("steop:{}, batch_x:{}, batch_y:{}".format(step, batch_x, batch_y))
 
if __name__ == '__main__':
    show_batch()

輸出為：

tensor([ 1., ?2., ?3., ?4., ?5., ?6., ?7., ?8., ?9., 10., 11.])
tensor([11., 10., ?9., ?8., ?7., ?6., ?5., ?4., ?3., ?2., ?1.])
steop:0, batch_x:tensor([ 3., ?2., ?8., 11., ?1.]), batch_y:tensor([ 9., 10., ?4., ?1., 11.])
steop:1, batch_x:tensor([ 5., ?6., ?7., ?4., 10.]), batch_y:tensor([7., 6., 5., 8., 2.])
steop:2, batch_x:tensor([9.]), batch_y:tensor([3.])
steop:0, batch_x:tensor([ 9., ?7., 10., ?2., ?4.]), batch_y:tensor([ 3., ?5., ?2., 10., ?8.])
steop:1, batch_x:tensor([ 5., 11., ?3., ?6., ?8.]), batch_y:tensor([7., 1., 9., 6., 4.])
steop:2, batch_x:tensor([1.]), batch_y:tensor([11.])
steop:0, batch_x:tensor([10., ?5., ?7., ?4., ?2.]), batch_y:tensor([ 2., ?7., ?5., ?8., 10.])
steop:1, batch_x:tensor([3., 9., 1., 8., 6.]), batch_y:tensor([ 9., ?3., 11., ?4., ?6.])
steop:2, batch_x:tensor([11.]), batch_y:tensor([1.])
?
Process finished with exit code 0

若drop_last=True

"""
    批訓練，把數據變成一小批一小批數據進行訓練。
    DataLoader就是用來包裝所使用的數據，每次拋出一批數據
"""
import torch
import torch.utils.data as Data
 
BATCH_SIZE = 5
 
x = torch.linspace(1, 11, 11)
y = torch.linspace(11, 1, 11)
print(x)
print(y)
# 把數據放在數據庫中
torch_dataset = Data.TensorDataset(x, y)
loader = Data.DataLoader(
    # 從數據庫中每次抽出batch size個樣本
    dataset=torch_dataset,
    batch_size=BATCH_SIZE,
    shuffle=True,
    # num_workers=2,
    drop_last=True,
)
 
def show_batch():
    for epoch in range(3):
        for step, (batch_x, batch_y) in enumerate(loader):
            # training
            print("steop:{}, batch_x:{}, batch_y:{}".format(step, batch_x, batch_y))
 
if __name__ == '__main__':
    show_batch()

對應的輸出為：

tensor([ 1., ?2., ?3., ?4., ?5., ?6., ?7., ?8., ?9., 10., 11.])
tensor([11., 10., ?9., ?8., ?7., ?6., ?5., ?4., ?3., ?2., ?1.])
steop:0, batch_x:tensor([ 9., ?2., ?7., ?4., 11.]), batch_y:tensor([ 3., 10., ?5., ?8., ?1.])
steop:1, batch_x:tensor([ 3., ?5., 10., ?1., ?8.]), batch_y:tensor([ 9., ?7., ?2., 11., ?4.])
steop:0, batch_x:tensor([ 5., 11., ?6., ?1., ?2.]), batch_y:tensor([ 7., ?1., ?6., 11., 10.])
steop:1, batch_x:tensor([ 3., ?4., 10., ?8., ?9.]), batch_y:tensor([9., 8., 2., 4., 3.])
steop:0, batch_x:tensor([10., ?4., ?9., ?8., ?7.]), batch_y:tensor([2., 8., 3., 4., 5.])
steop:1, batch_x:tensor([ 6., ?1., 11., ?2., ?5.]), batch_y:tensor([ 6., 11., ?1., 10., ?7.])
?
Process finished with exit code 0

總結