BUI新系列博文将聚焦AI相关领域，如果你想了解高通蓝牙，可以查看之前的系列或关注大博主声波和无线电波着眼于今天
1.如果模型对输入数据有要求，它将传入用于转换数据的转换，包括标签的目标转换（所有方法都可以在 transforms 包中找到），这些转换将在数据加载器中用于调用 getitem 函数。 此外，还会传入一些其他设置参数，但会保存在本地以备后用。 此函数的主要目的是对数据进行整理，数据和标签相互对应形成列表，方便获取，也方便len函数对数字进行计数。
2.例如，数据和标签存储在不同的文件夹中，我们可以使用它们的路径进行组队并将它们放入列表中。 getItem，根据路径提取内容; 例如，如果标签只存储在一个文件中，我们需要读取里面的内容，并将其映射到相应的数据文件。 也就是说，数据文件名和标签文件名是不一样的，我们需要依靠第三个索引表来查找对应关系，还需要读出来匹配它们。
3.一般情况下，训练数据被组织成训练样本，供getitem快速提取和加快训练时间。
4.获取数据集总数：获取可用样本数。
5.getItem 获取指定的索引样本：根据索引找到对应的样本，如果有变换，需要先将数据或标签转换为指定的数据格式。 例如，将大小调整为相同大小的**; 或对数据进行归一化; 或转换为张量格式。 标签可以转换为数据格式、坐标格式、一次性热编码等。 这些转换旨在满足模型输入要求或提供模型性能。
除了上面提到的基本功能外，一些衍生框架还会添加很多调优功能，比如如果训练样本不够，就添加更多的增强数据; 将数据或标签放入RAM中，以提供训练数据; 如果数据和标签没有对，请丢弃它们; 这些类型中只有少数被用作样本数据等，以及这些个性化的调整功能。
数据加载器的作用是管理数据的加载，并为模型所需的数据格式提供输入。 为了加快训练速度，DataLoader 将多个数据样本打包成一个批处理（相当于将数据和标签合并到相应的大张量中），并将多个数据样本一次性发送到模型中进行训练。 （这里的打包是将多个张量堆叠在一起，通过使用迭代器逐个获取它们来完成它们。 但是，如果样本的张量不一致，例如，对象检测的标签有多个输出，则会发生直接堆叠错误。 因此，DataLoader 提供了 collate fn 函数来自定义打包函数，但要注意满足模型输入要求的堆叠张量，并且每次都能在 DataLoader 的迭代器中返回所需的样本数据和标签）。
包的数量不宜设置得太小，否则模型难以收敛。 但是，它不应该太大，每个包的数量取决于内存容量，如果太大，它可能无法在训练中保持内存。 （温馨提示：GPU的2次幂可以发挥更好的性能，所以最好设置为相等的数字，但大多数数据集都不能被这些数字整除，所以经常会有剩余的数据不足以组成一批，所以可以选择不使用剩余的数据）。
此外，如果数据按类别排序，直接序列也会影响模型的收敛速度，因此 DataLoader 会提供对数据进行加扰的功能。 除了这些基本功能之外，还有其他方法可以加速训练，比如把数据放到页面存储中，加快读取速度，在多个进程中运行数据加载器等，只要有足够的资源，都可以直接配置数据加载器。 
附件（见大同）上传自定义数据集和数据加载器使用场景例程，必要时可以参考。 以上就是这篇博文的全部内容，如果您有任何问题，请在博文下方留言，我会尽快解答（o o）。 感谢您的浏览，我们下次再见。
简单是长期努力的结果，而不是起点-不是我常见问题 1：keras 可以使用这种方法吗？
A1：不，Keras 是基于 TensorFlow 框架的。
常见问题 2：标签格式有哪些？
A2：请参阅之前的博文 - BIU了解ai：object detection训练数据的标签格式。
FAQ 3：我可以获取数据加载器的数据并显示吗？
A3：可以，但是如果有变换，会转换成对应的张量，那么数据就不能直接显示，需要反转换。
FAQ 4：train 和 val 是否应该使用相同的数据加载器？
A4：不能说完全一样，因为 train 和 val 的任务不同，val 不需要考虑模型性能等问题，所以在转换数据时，不需要考虑数据增强。
常见问题 5：是否可以使用不同格式的图像数据？
A5： 是的，但您需要转换，只需将其更改为 RBG 格式即可。
登录大同，**附上技术文档，了解更多关于 PyTorch 架构相关的 CV 训练数据输入。