用法torchvision的datasets中的所有封装数据集都是torch.utils.data.Dataset的子类，包括__getitem__方法和__len__ 因此，可以使用torch.utils.data.DataLoader加载数据。 以datasets.MNIST类为例，具体参数和用法如下：
classtorchvision.datasets.Mn ist (根： str，train: bool=True，transform 3360 optional [ callable ]=none，targ lable )
3358www.Sina.com/(string ) :表示数据集的根目录。 根目录中存在MNIST/processed/training.pt和MNIST/processed/test.pt子目录3358www.Sinng ) )那么，training.pt 否则，从test.pt下载数据集http://www.Sina.com/(bool，optional ) :如果为True，则从internet下载数据集并将其放置在根目录中。 如果下载了数据集，则http://www.Sina.com/(callable，optional ) :转换函数3358 www.Sina.com/(com )，接收PIL图像并返回转换后的图像版本
以下代码示例是使用datasets.MNIST ()类加载和训练mnist数据集的完整代码
来自torch vision导入数据，transformsfromtorch.utils.dataimportdataloader， datasetimporttorchimporttorch.nnasnnimporttorch.optimasoptimimporttorch.nn.functionalasfclasscnn (nn.module ) 3360 360 quential ) nn.conv2d(in_channels=1，out _ channels=16，28 ) output : (16，28，28 ) nn.ReLU )，nn.max pput 14 ) ) ) self.sq2=out_channels=32，kernel_size=5，stride=1，padding=2)，# (32，14，14 ) nn.ReLU x ) : x=self.Sq1(x ) x=self.Sq2(x ) x=x.view (x.size )0)， -1) output=self.out(x ) return output def train ) : epoches=1 mnist_net=CNN ) mnist_net.train ) loss opitimimion lr=0.002 ) Mnist_train=datasets.mnist ) ' Mnist-data '，transform=transforms.ToTensor () train _ loader=toader batch _ size=5shuffle=true (loss=0forepochinrange ) epoches ) : for batch_X， batch _ yin train _ loader : opitimizer.zero _ grad (outputs=Mn ist _ net (batch _ x ) loss=loss_fn ) outputtn loss.item ) print(loss ) if__name_=='__mmm () ) ) ) 652 )