在訓練神經網絡之前，我們必須有數據，作為資深伸手黨，必須知道以下幾個數據提供源：
一、CIFAR-10
CIFAR-10是多倫多大學提供的圖片數據庫，圖片分辨率壓縮至32x32，一共有10種圖片分類，均進行了標注。適合監督式學習。CIFAR-10數據下載頁面
二、ImageNet
三、ImageFolder
四、LSUN Classification
五、COCO (Captioning and Detection)
六、我們進入正題
為了方便加載以上五種數據庫的數據，pytorch團隊幫我們寫了一個torchvision包。使用torchvision就可以輕松實現數據的加載和預處理。
我們以使用CIFAR10為例：
導入torchvision的庫：
import torchvision
import torchvision.transforms as transforms? # transforms用于數據預處理
使用datasets.CIFAR10()函數加載數據庫。CIFAR10有60000張圖片，其中50000張是訓練集，10000張是測試集。
#訓練集，將相對目錄./data下的cifar-10-batches-py文件夾中的全部數據（50000張圖片作為訓練數據）加載到內存中，若download為True時，會自動從網上下載數據并解壓trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=False, transform=None)
下面簡單講解root、train、download、transform這四個參數
1.root，表示cifar10數據的加載的相對目錄
2.train，表示是否加載數據庫的訓練集，false的時候加載測試集
3.download，表示是否自動下載cifar數據集
4.transform，表示是否需要對數據進行預處理，none為不進行預處理
由于美帝路途遙遠，靠命令臺進程下載100多M的數據速度很慢，所以我們可以自己去到cifar10的官網上把CIFAR-10 python version下載下來，然后解壓為cifar-10-batches-py文件夾，并復制到相對目錄./data下。（若設置download=True，則程序會自動從網上下載cifar10數據到相對目錄./data下，但這樣小伙伴們可能要等一個世紀了），并對訓練集進行加載（train=True）。
我們在寫完上面三行代碼后，在寫一行print一下trainset的大小看看：
print len(trainset)
#結果：50000
我們在訓練神經網絡時，使用的是mini-batch（一次輸入多張圖片），所以我們在使用一個叫DataLoader的工具為我們將50000張圖分成每四張圖一分，一共12500份的數據包。
#將訓練集的50000張圖片劃分成12500份，每份4張圖，用于mini-batch輸入。shffule=True在表示不同批次的數據遍歷時，打亂順序（這個需要在訓練神經網絡時再來講）。num_workers=2表示使用兩個子進程來加載數據
import torch
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=False, num_workers=2)
那么我們就寫下了這幾行代碼：
下面我們需要對數據進行預處理，什么是預處理？為什么要預處理？如果不知道的小盆友可以看看下面幾個鏈接，或許對你有幫助。神經網絡為什么要歸一化，深度學習-----數據預處理。還無法理解也沒關系，只要記住，預處理會幫助我們加快神經網絡的訓練。
在pytorch中我們預處理用到了transforms函數：
transform=transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)),])
compose函數會將多個transforms包在一起。
我們的transforms有好幾種，例如transforms.ToTensor(), transforms.Scale()等，完整列表在這。好好學習吧！
我只講現在用到了兩種：
1.ToTensor是指把PIL.Image(RGB) 或者numpy.ndarray(H x W x C) 從0到255的值映射到0到1的范圍內，并轉化成Tensor格式。
2.Normalize(mean，std)是通過下面公式實現數據歸一化
channel=（channel-mean）/std
那么經過上面兩個轉換一折騰，我們的數據中的每個值就變成了[-1,1]的數了。
