注意
转到末尾 下载完整的示例代码。
torch.nn 到底是什么？#
创建于：2018 年 12 月 26 日 | 最后更新：2025 年 1 月 24 日 | 最后验证：2024 年 11 月 5 日
作者： Jeremy Howard，fast.ai。感谢 Rachel Thomas 和 Francisco Ingham。
我们建议将本教程作为 notebook 运行，而不是脚本。要下载 notebook (.ipynb) 文件，请单击页面顶部的链接。
PyTorch 提供了设计优雅的模块和类 torch.nn 、 torch.optim 、 Dataset 和 DataLoader 来帮助您创建和训练神经网络。为了充分利用它们的功能并针对您的问题进行定制，您需要真正理解它们到底在做什么。为了形成这种理解，我们将首先在 MNIST 数据集上训练一个基本的神经网络，而不使用这些模型中的任何功能；我们最初将只使用最基本的 PyTorch 张量功能。然后，我们将一次增量地添加 torch.nn、torch.optim、Dataset 或 DataLoader 中的一个功能，精确展示每个部分的作用以及它如何使代码更简洁或更灵活。
本教程假设您已经安装了 PyTorch，并且熟悉张量操作的基础知识。 （如果您熟悉 Numpy 数组操作，您会发现这里使用的 PyTorch 张量操作几乎相同）。
MNIST 数据设置#
我们将使用经典的 MNIST 数据集，它由手绘数字（0 到 9 之间）的黑白图像组成。
我们将使用 pathlib 来处理路径（Python 3 标准库的一部分），并将使用 requests 下载数据集。我们只在需要时导入模块，这样您就可以精确地看到每个点都使用了什么。
from pathlib import Path
import requests
DATA_PATH = Path("data")
PATH = DATA_PATH / "mnist"
PATH.mkdir(parents=True, exist_ok=True)
URL = "https://github.com/pytorch/tutorials/raw/main/_static/"
FILENAME = "mnist.pkl.gz"
if not (PATH / FILENAME).exists():
content = requests.get(URL + FILENAME).content
(PATH / FILENAME).open("wb").write(content)
此数据集采用 numpy 数组格式，并使用 pickle（一种用于序列化数据的 Python 特定格式）存储。
每张图像都是 28 x 28，并作为长度为 784 (=28x28) 的扁平行存储。让我们看看其中一个；我们首先需要将其重塑为 2d。
from matplotlib import pyplot
import numpy as np
pyplot.imshow(x_train[0].reshape((28, 28)), cmap="gray")
# ``pyplot.show()`` only if not on Colab
try:
import google.colab
except ImportError:
pyplot.show()
print(x_train.shape)
(50000, 784)
PyTorch 使用 torch.tensor 而不是 numpy 数组，因此我们需要转换我们的数据。
import torch
x_train, y_train, x_valid, y_valid = map(
torch.tensor, (x_train, y_train, x_valid, y_valid)
)
n, c = x_train.shape
print(x_train, y_train)
print(x_train.shape)
print(y_train.min(), y_train.max())
tensor([[0., 0., 0., ..., 0., 0., 0.],
[0., 0., 0., ..., 0., 0., 0.],
[0., 0., 0., ..., 0., 0., 0.],
...,
[0., 0., 0., ..., 0., 0., 0.],
[0., 0., 0., ..., 0., 0., 0.],
[0., 0., 0., ..., 0., 0., 0.]]) tensor([5, 0, 4, ..., 8, 4, 8])
torch.Size([50000, 784])
tensor(0) tensor(9)
从头开始的神经网络（不使用 torch.nn）#
让我们首先只使用 PyTorch 张量操作来创建一个模型。我们假设您已经熟悉神经网络的基础知识。（如果您不熟悉，可以在 course.fast.ai 学习）。
PyTorch 提供了创建随机或全零张量的方法，我们将使用它们来为简单的线性模型创建权重和偏差。这些只是普通的张量，但有一个非常特殊的附加功能：我们告诉 PyTorch 它们需要梯度。这使得 PyTorch 记录对张量执行的所有操作，以便它可以在反向传播期间*自动*计算梯度！
对于权重，我们在初始化**之后**设置 requires_grad，因为我们不希望将该步骤包含在梯度中。（请注意，PyTorch 中末尾的 _ 表示操作是原地执行的。）
注意
我们在这里使用 Xavier 初始化来初始化权重（通过乘以 1/sqrt(n)）。
import math
weights = torch.randn(784, 10) / math.sqrt(784)
weights.requires_grad_()
bias = torch.zeros(10, requires_grad=True)
由于 PyTorch 能够自动计算梯度，我们可以使用任何标准的 Python 函数（或可调用对象）作为模型！所以我们只需编写一个简单的矩阵乘法和广播加法来创建一个简单的线性模型。我们还需要一个激活函数，所以我们将编写 log_softmax 并使用它。请记住：尽管 PyTorch 提供了许多预先编写的损失函数、激活函数等，但您可以使用普通 Python 轻松编写自己的函数。PyTorch 甚至会为您的函数自动创建快速加速器或矢量化 CPU 代码。
在上面，@ 代表矩阵乘法运算。我们将对一批数据（在本例中为 64 张图像）调用我们的函数。这是一个*前向传播*。请注意，此时我们的预测不会比随机更好，因为我们从随机权重开始。
bs = 64 # batch size
xb = x_train[0:bs] # a mini-batch from x
preds = model(xb) # predictions
preds[0], preds.shape
print(preds[0], preds.shape)
tensor([-2.1291, -2.6562, -2.1072, -2.5895, -2.7207, -2.5715, -1.7774, -1.8143,
-2.6460, -2.6738], grad_fn=<SelectBackward0>) torch.Size([64, 10])
如您所见，preds 张量不仅包含张量值，还包含一个梯度函数。我们稍后将使用它进行反向传播。
让我们实现负对数似然作为损失函数（同样，我们可以只使用标准 Python）
def nll(input, target):
return -input[range(target.shape[0]), target].mean()
loss_func = nll
让我们用我们的随机模型检查一下损失，这样我们就可以看到在反向传播之后是否有所改善。
tensor(2.3152, grad_fn=<NegBackward0>)
我们再实现一个函数来计算模型的准确率。对于每个预测，如果最大值对应的索引与目标值匹配，则该预测是正确的。
def accuracy(out, yb):
preds = torch.argmax(out, dim=1)
return (preds == yb).float().mean()
让我们检查一下我们随机模型的准确性，这样我们就可以看看随着损失的改善，我们的准确性是否也会提高。
tensor(0.0469)
我们现在可以运行训练循环。对于每次迭代，我们将：
选择一个迷你批次的数据（大小为
bs）使用模型进行预测
计算损失
loss.backward()更新模型的梯度，在本例中为weights和bias。
我们现在使用这些梯度来更新权重和偏置。我们在 torch.no_grad() 上下文管理器中执行此操作，因为我们不希望这些操作被记录下来用于我们下次的梯度计算。您可以在此处阅读更多关于 PyTorch 的 Autograd 如何记录操作的信息。
然后我们将梯度设置为零，以便为下一次循环做好准备。否则，我们的梯度将记录所有已发生操作的运行总计（即 loss.backward() 会*添加*梯度到已存储的任何内容中，而不是替换它们）。
提示
您可以使用标准的 Python 调试器单步调试 PyTorch 代码，从而可以在每个步骤检查各种变量值。取消注释下面的 set_trace() 以尝试一下。
from IPython.core.debugger import set_trace
lr = 0.5 # learning rate
epochs = 2 # how many epochs to train for
for epoch in range(epochs):
for i in range((n - 1) // bs + 1):
# set_trace()
start_i = i * bs
end_i = start_i + bs
xb = x_train[start_i:end_i]
yb = y_train[start_i:end_i]
pred = model(xb)
loss = loss_func(pred, yb)
loss.backward()
with torch.no_grad():
weights -= weights.grad * lr
bias -= bias.grad * lr
weights.grad.zero_()
bias.grad.zero_()
就是这样：我们从零开始创建并训练了一个最小的神经网络（在这种情况下是逻辑回归，因为我们没有隐藏层）！
让我们检查一下损失和准确率，并将它们与我们之前获得的结果进行比较。我们预计损失会减少，准确率会提高，事实也确实如此。
tensor(0.0834, grad_fn=<NegBackward0>) tensor(1.)
使用 torch.nn.functional#
我们现在将重构代码，使其与之前做同样的事情，只是我们将开始利用 PyTorch 的 nn 类，使其更简洁和灵活。从这里开始的每一步，我们都应该让代码变得更短、更易懂和/或更灵活。
第一个也是最简单的一步是通过用 torch.nn.functional 中的函数替换我们手写的激活函数和损失函数来缩短代码（根据惯例，此模块通常导入到 F 命名空间中）。此模块包含 torch.nn 库中的所有函数（而库的其他部分包含类）。除了各种损失函数和激活函数外，您还会在这里找到一些方便的函数来创建神经网络，例如池化函数。（还有用于进行卷积、线性层等的函数，但正如我们将看到的，这些通常通过使用库的其他部分更好地处理。）
如果您正在使用负对数似然损失和对数 softmax 激活，那么 PyTorch 提供了一个组合两者的单一函数 F.cross_entropy。因此我们甚至可以从模型中移除激活函数。
import torch.nn.functional as F
loss_func = F.cross_entropy
def model(xb):
return xb @ weights + bias
请注意，我们不再在 model 函数中调用 log_softmax。让我们确认一下损失和准确率与之前相同
tensor(0.0834, grad_fn=<NllLossBackward0>) tensor(1.)
使用 nn.Module 重构#
接下来，我们将使用 nn.Module 和 nn.Parameter，以实现更清晰、更简洁的训练循环。我们继承 nn.Module（它本身是一个类，能够跟踪状态）。在这种情况下，我们想创建一个类来保存我们的权重、偏差和前向传播方法。nn.Module 具有许多属性和方法（例如 .parameters() 和 .zero_grad()），我们将使用它们。
注意
nn.Module（大写 M）是 PyTorch 特有的概念，是我们经常会用到的一个类。nn.Module 不应与 Python 中（小写 m）模块的概念混淆，模块是可导入的 Python 代码文件。
from torch import nn
class Mnist_Logistic(nn.Module):
def __init__(self):
super().__init__()
self.weights = nn.Parameter(torch.randn(784, 10) / math.sqrt(784))
self.bias = nn.Parameter(torch.zeros(10))
def forward(self, xb):
return xb @ self.weights + self.bias
由于我们现在使用的是一个对象，而不仅仅是一个函数，我们首先必须实例化我们的模型。
model = Mnist_Logistic()
现在我们可以像以前一样计算损失。请注意，nn.Module 对象被用作函数（即它们是*可调用的*），但在幕后 PyTorch 会自动调用我们的 forward 方法。
tensor(2.3417, grad_fn=<NllLossBackward0>)
之前在我们的训练循环中，我们必须按名称更新每个参数的值，并分别手动将每个参数的梯度清零，如下所示
with torch.no_grad():
weights -= weights.grad * lr
bias -= bias.grad * lr
weights.grad.zero_()
bias.grad.zero_()
现在我们可以利用 model.parameters() 和 model.zero_grad()（这两个都由 PyTorch 为 nn.Module 定义）来使这些步骤更简洁，并减少忘记某些参数的错误倾向，特别是如果我们的模型更复杂的话。
with torch.no_grad():
for p in model.parameters(): p -= p.grad * lr
model.zero_grad()
我们将把我们的小型训练循环封装在一个 fit 函数中，以便以后可以再次运行它。
def fit():
for epoch in range(epochs):
for i in range((n - 1) // bs + 1):
start_i = i * bs
end_i = start_i + bs
xb = x_train[start_i:end_i]
yb = y_train[start_i:end_i]
pred = model(xb)
loss = loss_func(pred, yb)
loss.backward()
with torch.no_grad():
for p in model.parameters():
p -= p.grad * lr
model.zero_grad()
fit()
让我们再次检查一下损失是否已经下降
tensor(0.0790, grad_fn=<NllLossBackward0>)
使用 nn.Linear 重构#
我们继续重构代码。我们不再手动定义和初始化 self.weights 和 self.bias，也不再计算 xb @ self.weights + self.bias，而是使用 PyTorch 的 nn.Linear 类来表示线性层，它会为我们完成所有这些工作。PyTorch 有许多预定义的层类型，可以大大简化我们的代码，并且通常也能加快速度。
我们像以前一样实例化模型并计算损失
model = Mnist_Logistic()
print(loss_func(model(xb), yb))
tensor(2.3042, grad_fn=<NllLossBackward0>)
我们仍然可以使用我们相同的 fit 方法。
tensor(0.0819, grad_fn=<NllLossBackward0>)
使用 torch.optim 重构#
PyTorch 还有一个包含各种优化算法的包，即 torch.optim。我们可以使用优化器的 step 方法进行前向传播，而不是手动更新每个参数。
这将让我们替换之前手动编写的优化步骤
with torch.no_grad():
for p in model.parameters(): p -= p.grad * lr
model.zero_grad()
取而代之的是
（optim.zero_grad() 将梯度重置为 0，我们需要在计算下一个 mini-batch 的梯度之前调用它。）
from torch import optim
我们将定义一个小的函数来创建我们的模型和优化器，以便将来可以重用它。
def get_model():
model = Mnist_Logistic()
return model, optim.SGD(model.parameters(), lr=lr)
model, opt = get_model()
print(loss_func(model(xb), yb))
for epoch in range(epochs):
for i in range((n - 1) // bs + 1):
start_i = i * bs
end_i = start_i + bs
xb = x_train[start_i:end_i]
yb = y_train[start_i:end_i]
pred = model(xb)
loss = loss_func(pred, yb)
loss.backward()
opt.step()
opt.zero_grad()
print(loss_func(model(xb), yb))
tensor(2.3206, grad_fn=<NllLossBackward0>)
tensor(0.0812, grad_fn=<NllLossBackward0>)
使用 Dataset 重构#
PyTorch 有一个抽象的 Dataset 类。Dataset 可以是任何具有 __len__ 函数（由 Python 的标准 len 函数调用）和 __getitem__ 函数以索引它。 本教程提供了一个创建自定义 FacialLandmarkDataset 类作为 Dataset 子类的出色示例。
PyTorch 的 TensorDataset 是一个封装张量的 Dataset。通过定义长度和索引方式，这也为我们提供了沿张量第一个维度进行迭代、索引和切片的方法。这将使我们在训练时更容易在同一行中访问独立变量和因变量。
from torch.utils.data import TensorDataset
x_train 和 y_train 都可以组合在一个 TensorDataset 中，这样更容易迭代和切片。
之前，我们必须分别迭代 x 和 y 值的迷你批次
现在，我们可以同时完成这两个步骤
tensor(0.0813, grad_fn=<NllLossBackward0>)
使用 DataLoader 重构#
PyTorch 的 DataLoader 负责管理批次。您可以从任何 Dataset 创建一个 DataLoader。DataLoader 使迭代批次变得更容易。它会自动为我们提供每个迷你批次，而无需使用 train_ds[i*bs : i*bs+bs]。
from torch.utils.data import DataLoader
train_ds = TensorDataset(x_train, y_train)
train_dl = DataLoader(train_ds, batch_size=bs)
之前，我们的循环像这样迭代批次 (xb, yb)
现在，我们的循环更简洁了，因为 (xb, yb) 会自动从数据加载器中加载
tensor(0.0813, grad_fn=<NllLossBackward0>)
感谢 PyTorch 的 nn.Module、nn.Parameter、Dataset 和 DataLoader，我们的训练循环现在变得非常小巧且易于理解。现在让我们尝试添加在实践中创建有效模型所需的基本功能。
添加验证#
在第一节中，我们只是试图为训练数据设置一个合理的训练循环。实际上，您**总是**应该有一个验证集，以识别您是否过拟合。
打乱训练数据对于防止批次之间的相关性和过拟合至关重要。另一方面，无论我们是否打乱验证集，验证损失都将是相同的。由于打乱需要额外的时间，因此打乱验证数据没有意义。
我们将为验证集使用两倍于训练集大小的批处理大小。这是因为验证集不需要反向传播，因此占用更少的内存（它不需要存储梯度）。我们利用这一点来使用更大的批处理大小并更快地计算损失。
train_ds = TensorDataset(x_train, y_train)
train_dl = DataLoader(train_ds, batch_size=bs, shuffle=True)
valid_ds = TensorDataset(x_valid, y_valid)
valid_dl = DataLoader(valid_ds, batch_size=bs * 2)
我们将在每个 epoch 结束时计算并打印验证损失。
（请注意，我们总是在训练前调用 model.train()，在推理前调用 model.eval()，因为这些函数被 nn.BatchNorm2d 和 nn.Dropout 等层用于确保在不同阶段有适当的行为。）
model, opt = get_model()
for epoch in range(epochs):
model.train()
for xb, yb in train_dl:
pred = model(xb)
loss = loss_func(pred, yb)
loss.backward()
opt.step()
opt.zero_grad()
model.eval()
with torch.no_grad():
valid_loss = sum(loss_func(model(xb), yb) for xb, yb in valid_dl)
print(epoch, valid_loss / len(valid_dl))
0 tensor(0.3685)
1 tensor(0.3482)
创建 fit() 和 get_data()#
我们现在将进行一些重构。由于我们两次计算训练集和验证集的损失过程相似，因此我们将其封装成一个函数 loss_batch，用于计算一个批次的损失。
我们为训练集传入一个优化器，并使用它执行反向传播。对于验证集，我们不传入优化器，因此该方法不执行反向传播。
fit 运行训练模型并计算每个 epoch 的训练和验证损失所需的必要操作。
import numpy as np
def fit(epochs, model, loss_func, opt, train_dl, valid_dl):
for epoch in range(epochs):
model.train()
for xb, yb in train_dl:
loss_batch(model, loss_func, xb, yb, opt)
model.eval()
with torch.no_grad():
losses, nums = zip(
*[loss_batch(model, loss_func, xb, yb) for xb, yb in valid_dl]
)
val_loss = np.sum(np.multiply(losses, nums)) / np.sum(nums)
print(epoch, val_loss)
get_data 返回训练集和验证集的数据加载器。
def get_data(train_ds, valid_ds, bs):
return (
DataLoader(train_ds, batch_size=bs, shuffle=True),
DataLoader(valid_ds, batch_size=bs * 2),
)
现在，我们获取数据加载器并拟合模型的整个过程可以在 3 行代码中完成
0 0.30568837119340897
1 0.30314209488630295
您可以使用这三行基本代码来训练各种各样的模型。让我们看看我们是否可以用它们来训练卷积神经网络（CNN）！
切换到 CNN#
我们现在将构建一个包含三个卷积层的神经网络。由于前一节中的函数都不假定模型形式的任何信息，因此我们将能够使用它们来训练 CNN，而无需进行任何修改。
我们将使用 PyTorch 预定义的 Conv2d 类作为我们的卷积层。我们定义了一个具有 3 个卷积层的 CNN。每个卷积后都跟着一个 ReLU。最后，我们执行平均池化。（请注意，view 是 PyTorch 的 Numpy reshape 版本）
class Mnist_CNN(nn.Module):
def __init__(self):
super().__init__()
self.conv1 = nn.Conv2d(1, 16, kernel_size=3, stride=2, padding=1)
self.conv2 = nn.Conv2d(16, 16, kernel_size=3, stride=2, padding=1)
self.conv3 = nn.Conv2d(16, 10, kernel_size=3, stride=2, padding=1)
def forward(self, xb):
xb = xb.view(-1, 1, 28, 28)
xb = F.relu(self.conv1(xb))
xb = F.relu(self.conv2(xb))
xb = F.relu(self.conv3(xb))
xb = F.avg_pool2d(xb, 4)
return xb.view(-1, xb.size(1))
lr = 0.1
动量是随机梯度下降的一种变体，它也考虑了之前的更新，并且通常会导致更快的训练。
0 0.3638099200725555
1 0.27019977436065673
使用 nn.Sequential#
torch.nn 还有一个方便的类可以简化我们的代码：Sequential。一个 Sequential 对象会按顺序运行其中包含的每个模块。这是一种更简单地编写神经网络的方式。
为了利用这一点，我们需要能够从给定函数轻松定义**自定义层**。例如，PyTorch 没有 view 层，我们需要为我们的网络创建一个。 Lambda 将创建一个层，然后我们可以在使用 Sequential 定义网络时使用该层。
class Lambda(nn.Module):
def __init__(self, func):
super().__init__()
self.func = func
def forward(self, x):
return self.func(x)
def preprocess(x):
return x.view(-1, 1, 28, 28)
使用 Sequential 创建的模型很简单
model = nn.Sequential(
Lambda(preprocess),
nn.Conv2d(1, 16, kernel_size=3, stride=2, padding=1),
nn.ReLU(),
nn.Conv2d(16, 16, kernel_size=3, stride=2, padding=1),
nn.ReLU(),
nn.Conv2d(16, 10, kernel_size=3, stride=2, padding=1),
nn.ReLU(),
nn.AvgPool2d(4),
Lambda(lambda x: x.view(x.size(0), -1)),
)
opt = optim.SGD(model.parameters(), lr=lr, momentum=0.9)
fit(epochs, model, loss_func, opt, train_dl, valid_dl)
0 0.4270582686185837
1 0.26442700382471085
封装 DataLoader#
- 我们的 CNN 相当简洁，但它只适用于 MNIST，因为
它假设输入是 28*28 的长向量
它假设最终的 CNN 网格大小是 4*4（因为那是我们使用的平均池化核大小）
让我们摆脱这两个假设，以便我们的模型适用于任何 2D 单通道图像。首先，我们可以通过将数据预处理移动到生成器中来移除最初的 Lambda 层
def preprocess(x, y):
return x.view(-1, 1, 28, 28), y
class WrappedDataLoader:
def __init__(self, dl, func):
self.dl = dl
self.func = func
def __len__(self):
return len(self.dl)
def __iter__(self):
for b in self.dl:
yield (self.func(*b))
train_dl, valid_dl = get_data(train_ds, valid_ds, bs)
train_dl = WrappedDataLoader(train_dl, preprocess)
valid_dl = WrappedDataLoader(valid_dl, preprocess)
接下来，我们可以用 nn.AdaptiveAvgPool2d 替换 nn.AvgPool2d，这允许我们定义我们想要的**输出**张量的大小，而不是我们拥有的**输入**张量的大小。因此，我们的模型将适用于任何大小的输入。
model = nn.Sequential(
nn.Conv2d(1, 16, kernel_size=3, stride=2, padding=1),
nn.ReLU(),
nn.Conv2d(16, 16, kernel_size=3, stride=2, padding=1),
nn.ReLU(),
nn.Conv2d(16, 10, kernel_size=3, stride=2, padding=1),
nn.ReLU(),
nn.AdaptiveAvgPool2d(1),
Lambda(lambda x: x.view(x.size(0), -1)),
)
opt = optim.SGD(model.parameters(), lr=lr, momentum=0.9)
让我们试一试
0 0.3703135951399803
1 0.2660435458242893
使用您的加速器#
如果您有幸可以使用像 CUDA 这样的加速器（您可以从大多数云提供商那里以每小时约 0.50 美元的价格租用），您可以使用它来加速您的代码。首先检查您的加速器是否在 PyTorch 中正常工作
# If the current accelerator is available, we will use it. Otherwise, we use the CPU.
device = torch.accelerator.current_accelerator().type if torch.accelerator.is_available() else "cpu"
print(f"Using {device} device")
Using cuda device
让我们更新 preprocess 以将批次移动到加速器
最后，我们可以将模型移动到加速器。
model.to(device)
opt = optim.SGD(model.parameters(), lr=lr, momentum=0.9)
您应该会发现它现在运行得更快了
0 0.22899376225471496
1 0.2187354766845703
结语#
我们现在拥有一个通用的数据管道和训练循环，您可以使用它来训练各种类型的 PyTorch 模型。要了解训练模型现在有多简单，请查看 mnist_sample notebook。
当然，您还需要添加许多功能，例如数据增强、超参数调优、训练监控、迁移学习等等。这些功能在 fastai 库中可用，该库采用本教程中所示的相同设计方法开发，为希望进一步提升模型的实践者提供了自然的下一步。
我们在本教程的开头承诺将通过示例解释 torch.nn、torch.optim、Dataset 和 DataLoader 的每一个部分。现在让我们总结一下我们所学到的内容
torch.nn:
Module：创建一个可调用对象，其行为类似于函数，但也可以包含状态（例如神经网络层的权重）。它知道包含哪些Parameter（s），可以清零所有梯度，循环遍历它们进行权重更新等。
Parameter：一个张量的封装器，用于告诉Module它拥有需要在反向传播期间更新的权重。只有设置了 requires_grad 属性的张量才会被更新。
functional：一个模块（通常按照惯例导入到F命名空间中），包含激活函数、损失函数等，以及卷积层和线性层等非有状态层。
torch.optim：包含优化器，例如SGD，它在反向传播步骤中更新Parameter的权重。
Dataset：具有__len__和__getitem__的对象的抽象接口，包括 PyTorch 提供的类，例如TensorDataset。
DataLoader：接受任何Dataset并创建一个迭代器，该迭代器返回批次数据。
脚本总运行时间： (0 分 26.106 秒)
