数据读入
对 map-style 数据集，Dataset 定义“一个索引对应什么样本”，DataLoader 再负责采样、组批与可选的并行读入。自定义 Dataset 通常实现 __init__、__getitem__ 和 __len__；流式 IterableDataset 使用另一套迭代接口。
下面先用内存中的小数据集验证批次形状，不依赖外部图片或下载：
import torch
from torch.utils.data import Dataset, TensorDataset, DataLoader
train_data = TensorDataset(torch.rand(8, 3, 32, 32), torch.arange(8) % 2)
val_data = TensorDataset(torch.rand(5, 3, 32, 32), torch.arange(5) % 2)ImageFolder
真实图片可按类别分目录存放。训练集和验证集应使用一致的类别名称与索引映射：
data/
train/
cat/001.jpg
dog/002.jpg
val/
cat/003.jpg
dog/004.jpg下面定义读入函数，需要已安装与 torch 匹配的 torchvision，调用时传入实际存在的目录。
from torchvision import datasets, transforms
def load_image_folders(train_path, val_path):
train_transform = transforms.Compose([
transforms.Resize((32, 32)),
transforms.RandomHorizontalFlip(),
transforms.ToTensor(),
])
val_transform = transforms.Compose([
transforms.Resize((32, 32)),
transforms.ToTensor(),
])
training = datasets.ImageFolder(train_path, transform=train_transform)
validation = datasets.ImageFolder(val_path, transform=val_transform)
if training.class_to_idx != validation.class_to_idx:
raise ValueError("训练集和验证集的类别映射必须一致")
return training, validation训练集可以使用随机增强，验证集通常使用确定性的变换。ToTensor() 对常见的 uint8 图片将布局转为 [C,H,W]、数值缩放到 [0,1]；这不是对任意 dtype 输入都自动执行的归一化规则。若验证集缺少某类，应显式保持统一标签映射，不能直接信任两个目录各自生成的编号。
定制 Dataset
若图片路径和标签存储在 CSV 中，需要先约定文件格式。下面的 CSV 包含表头，与 pd.read_csv 的默认行为对应：
filename,label
image1.jpg,0
image2.jpg,1
image3.jpg,0如果文件没有表头，应显式传入 header=None, names=["filename", "label"]，否则第一条样本会被当作列名而丢失。
from pathlib import Path
import pandas as pd
from PIL import Image
class MyDataset(Dataset):
def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
self.img_labels = pd.read_csv(annotations_file)
if not {"filename", "label"}.issubset(self.img_labels.columns):
raise ValueError("CSV 需要 filename 和 label 两列")
self.img_dir = Path(img_dir)
self.transform = transform
self.target_transform = target_transform
def __len__(self):
return len(self.img_labels)
def __getitem__(self, idx):
row = self.img_labels.iloc[idx]
with Image.open(self.img_dir / str(row["filename"])) as image_file:
image = image_file.convert("RGB")
label = torch.tensor(int(row["label"]), dtype=torch.long)
if self.transform is not None:
image = self.transform(image)
if self.target_transform is not None:
label = self.target_transform(label)
return image, label本例约定标签是整数类别索引，数据文件应满足该约定。RGB 转换保证通道数一致。用于默认 DataLoader 组批时，还应传入包含 Resize 和 ToTensor 的变换，使每个样本都返回相同尺寸的 Tensor；未经转换的 PIL 图片不能直接按这里的默认方式组批。
DataLoader 组批
batch_size = 4
train_loader = DataLoader(
train_data, batch_size=batch_size, shuffle=True,
num_workers=0, drop_last=False,
)
val_loader = DataLoader(
val_data, batch_size=batch_size, shuffle=False,
num_workers=0, drop_last=False,
)
images, labels = next(iter(val_loader))
assert images.shape == (4, 3, 32, 32)
assert labels.shape == (4,) and labels.dtype == torch.long
assert len(list(val_loader)) == 2 # 最后一个 batch 只有 1 个样本shuffle=True：每次迭代打乱样本顺序，通常用于训练集。num_workers=0：在主进程读入，适合先排查问题。Windows 也支持大于 0，但多进程启动通常需要if __name__ == "__main__":保护，且 Dataset 等定义应能被子进程导入；不是“Windows 必须为 0”。drop_last=True：丢弃不足一整批的尾部样本，不是丢弃一个完整 epoch。验证通常保留全部样本；训练是否丢尾批取决于模型和训练要求。
查看一批图片
下面沿用最前面的未标准化内存样本。Tensor 从 CHW 转为 HWC，应使用 permute(1,2,0)，不能向 Tensor 的 transpose 传入三个轴。
import matplotlib.pyplot as plt
images, labels = next(iter(val_loader))
plt.imshow(images[0].permute(1, 2, 0).cpu().numpy())
plt.title(f"label={labels[0].item()}")
plt.axis("off")
plt.show()如果读入流程中使用了 Normalize(mean, std)，显示前还需要按通道执行 image * std + mean 还原；不能把标准化后的数值直接当成 [0,1] RGB 图片。