在前面的内容中，我们已经解决了"如何找到数据（Dataset）"和"如何加工数据（Transforms）"的问题。而 DataLoader 则是整条流水线的最后一步，它负责将处理好的数据高效、有序地"打包"并喂给神经网络。
1. 核心概念：Dataset vs DataLoader
- Dataset：像是一个仓库管理员，它知道每一件货（数据）在哪里，并负责把货取出来。
- DataLoader：像是一个装卸车队，它从 Dataset 那里取货，然后按批次（Batch）装车，并决定是否要打乱货物的顺序（Shuffle）。
2. DataLoader 的关键参数详解
在 107_Dataloader使用.ipynb 中，展示了创建 DataLoader 时最常用的几个核心参数：
|-----------------|--------|----------------------------------------------------|
| 参数 | 含义 | 作用 |
| dataset | 数据集对象 | 告诉 DataLoader 从哪个 Dataset 中取数据。 |
| batch_size | 批大小 | 每次打包多少个数据（例如每次取 4 张图）。 |
| shuffle | 是否打乱 | 设置为 True 时，每个训练轮次（Epoch）都会随机打乱数据顺序，增加模型泛化能力。 |
| num_workers | 多进程加载 | 设置加载数据使用的子进程数。在 Windows 系统下设为大于 0 的数可能会报错（通常设为 0）。 |
| drop_last | 是否舍弃尾数 | 如果总数不能被 batch_size 整除，是否舍弃最后余下的不够一个 Batch 的数据。 |
3. 实战演示：如何遍历数据加载器
代码展示了如何利用 torchvision 加载测试集，并使用 DataLoader 进行循环读取：
Python
import torchvision
from torch.utils.data import DataLoader
# 1. 准备数据集
test_data = torchvision.datasets.CIFAR10("./dataset", train=False, transform=torchvision.transforms.ToTensor())
# 2. 定义加载器：每次取 4 张图片，打乱顺序
test_loader = DataLoader(dataset=test_data, batch_size=4, shuffle=True, num_workers=0, drop_last=False)
# 3. 在循环中取出数据
for data in test_loader:
imgs, targets = data # imgs 现在的形状是 [4, 3, 32, 32]
# 在这里将 imgs 喂给模型训练...4. 深度理解：Batch 到底是什么？
当你设置 batch_size=4 时，DataLoader 的工作逻辑如下：
- 从 Dataset 中依次取出索引为 0, 1, 2, 3 的图片和标签。
- 将这 4 张图片堆叠（Stack）成一个大的张量（Tensor）。
- 如果图片尺寸是 3 \\times 32 \\times 32，那么这个 Batch 的形状就是 (4, 3, 32, 32)。
5. 可视化观察（TensorBoard）
使用 TensorBoard 来观察 DataLoader 输出的效果。通过 writer.add_images，你可以直观地看到每一轮（Epoch）取出的图片是否被成功打乱了顺序。
注意 ：如果在创建 test_loader 时设置 shuffle=True，你会发现第一个 Epoch 打印的第一张图和第二个 Epoch 打印的第一张图是不一样的。
总结
DataLoader 是连接数据与模型的纽带。通过合理设置 batch_size 和 shuffle，我们可以平衡计算效率与训练效果。