一般pytorch的数据加载到模型的操作顺序如下：

1、创建一个 Dataset 对象，必须实现 __len__() ，__getitem__() 两个方法，会用到 transform 对数据进行扩充；

2、创建一个 DataLoader 对象，对 Dataset 对象进行迭代的，一般不需要事先实现里面其他方法了；

3、循环遍历DataLoader对象，将img，label 加载到模型中训练。

注：采样器Sampler、Dataset、DataLoader 这三个类均在 torch.utils.data 中定义，简介代码如下：

数据集遍历一般化流程：

        for i, data in enumerate(dataloader):  会调用dataloader 的 __iter__() 方法，产生了一个DataLoaderIter（迭代器），这里判断使用单线程还是多线程，调用 DataLoaderIter 的 __next__() 方法来得到 batch data 。在__next__() 方法中使用 __next_index()方法调用sampler（采样器）获得index索引，接着通过 Dataset_fetcher 的 fetch() 方法根据index（索引）调用dataset的 __getitem__() 方法，然后用 collate_fn 把它们打包成batch。当数据读完后， __next__() 抛出一个 StopIteration 异常，for循环结束，dataloader 失效。

       torch.utils.data.Dataset 是代表这一数据的抽象类（基类），即：Dataset 类是 pytorch 中图像数据中最为重要的一个类，也是 pytorch中所有数据集加载类中应该继承的父类。其中，Dataset类中两个私有成员函数必须被重载，否则将触发错误提示，只需要定义 __len__() 和 __getitem__() 方法。

         例如：通过 dataset[i] 可得到数据集中第 i+1 个数据，即：如果类中定义了 __getitem__() 方法，那么实例对象（假设P）就可以这样 P[key] 取值，当实例对象做 P[key] 操作时，会调用类中的 __getitem__() 方法。  通过复写 __getitem__() 方法 可通过索引 index 来访问数据，能够同时返回 数据 和 标签label，这里的数据和标签都为 Tensor 类型。

      DataLoader 是pytorch中用来处理模型输入数据的一个工具，组合了数据集dataset+采样器sampler，并在数据集上提供单线程或多线程（num_workers）的可迭代对象。

DataLoader 几种访问方式：

（1）dataloader 本质上是一个可迭代对象，使用 iter() 访问，不能使用 next() 访问，它本身就是一个可迭代对象， 使用  for i, data in enumerate(dataloader) 来访问。

（2）先使用 iter 对 dataloader 进行第一步包装，使用 iter(dataloader) 返回的是一个迭代器，然后可以使用 next 访问。

注：一般不需要自己去实现 DataLoader 方法了， 只需要在构造函数中指定相应的参数即可，重点介绍一下构造函数中参数的含义。