在 PyTorch 中，可以使用 torchvision.datasets 模块来加载常见的数据集，如 MNIST、CIFAR-10 等。这些数据集通常会被下载到本地，并返回一个 Dataset 对象，可以通过 DataLoader 对象来对数据集进行批量加载和随机打乱。
以下是一个加载 MNIST 数据集的示例代码：
import torchfrom torchvision import datasets, transformsfrom torch.utils.data import DataLoader# 定义数据预处理transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])# 加载 MNIST 训练集和测试集train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)# 创建 DataLoader 对象train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)# 遍历数据集for inputs, labels in train_loader: # 在这里进行模型训练 pass上面的代码首先定义了数据预处理的方法 transform，然后使用 datasets.MNIST 加载了 MNIST 数据集的训练集和测试集，并创建了对应的 DataLoader 对象 train_loader 和 test_loader。最后，可以通过遍历 train_loader 来逐批获取训练数据和标签，并进行模型训练。
