1. 搭建桥梁：数据加载基础
深度学习模型依赖于干净、一致的数据，但现实世界中的数据集本质上是杂乱无章的。我们必须从预打包的基准测试（如MNIST）转向管理非结构化数据源，在这些场景中，数据加载本身就是一个复杂的协调任务。这一过程的基础在于PyTorch为数据管理提供的专业工具。
核心挑战在于将存储在磁盘上的原始、分散的数据（图像、文本、音频文件）转化为高度组织化、标准化的PyTorch 张量格式GPU所期望的格式。这需要自定义逻辑来完成索引、加载、预处理，最终实现批处理。
真实世界数据的关键挑战
- 数据混乱： 数据分散在多个目录中，通常仅通过CSV文件进行索引。
- 需要预处理： 图像可能需要在转换为张量之前进行缩放、归一化或增强处理。
- 效率目标： 数据必须以优化的、非阻塞的批次形式传送到GPU，以最大化训练速度。
PyTorch的解决方案：职责分离
PyTorch强制实施关注点分离：
Dataset 负责“做什么”（如何访问单个样本和标签），而DataLoader 则负责“怎么做”（高效批处理、打乱顺序以及多线程交付）。
终端bash — data-env
> 准备就绪。点击“运行”以执行。
>
张量检查器实时
运行代码以检查活跃的张量
问题 1
PyTorch
Dataset对象的主要作用是什么？问题 2
哪个
DataLoader参数可以使用多个CPU核心实现并行数据加载？问题 3
如果您的原始图像尺寸各不相同，哪个组件主要负责将它们调整为统一尺寸（例如，$224 \times 224$）？
挑战：自定义图像加载器蓝图
定义用于真实世界图像分类所需的结构。
你正在构建一个
CustomDataset，用于由包含路径和标签的单个CSV文件索引的10,000张图像。
步骤 1
哪个必选方法必须返回样本总数？
解答：
概念：定义了每个周期的大小。
__len__方法中应用的转换函数。概念：定义了每个周期的大小。
步骤 2
在
__getitem__(self, index)中，正确的操作顺序是什么？解答：
1. 使用
2. 加载原始数据（例如，图像）。
3. 应用必要的
4. 返回处理后的张量和标签。
1. 使用
index。2. 加载原始数据（例如，图像）。
3. 应用必要的
transforms。4. 返回处理后的张量和标签。