训练模型时，我们通常不会一次把全部数据都塞进模型。
更常见的做法是：每次拿一小批数据训练一次。
在 PyTorch 里，负责这件事的就是 DataLoader。
DataLoader 是什么
DataLoader 可以理解成数据搬运工。
它会从 Dataset 里取数据，然后按批次打包好，送给训练循环。
最常见的写法是：
from torch.utils.data import DataLoader
loader = DataLoader(
dataset,
batch_size=32,
shuffle=True,
)训练时就可以这样用：
for x, y in loader:
pred = model(x)batch_size 是什么
batch_size 表示每次送进模型多少个样本。
如果 batch size 是 32，就表示模型每次看 32 条数据，然后计算一次 loss，再更新参数。
batch size 太小，训练会更抖；batch size 太大，占用显存更多，也可能影响泛化。
入门阶段可以先从 32 或 64 这类常见值开始。
shuffle 有什么用
shuffle=True 表示每个 epoch 开始时打乱数据顺序。
这样做是为了避免模型记住数据的固定顺序。
比如数据前半部分全是类别 A，后半部分全是类别 B，如果不打乱，训练过程就可能很不稳定。
所以训练集一般会开启 shuffle。
但验证集和测试集通常不需要打乱，因为我们只是评估模型效果。
num_workers 是什么
num_workers 表示用几个子进程加载数据。
如果数据读取、图片预处理比较慢，可以适当增加它，让 CPU 提前准备数据，减少 GPU 等数据的时间。
不过在 Windows 或小项目里，刚开始可以先用默认值。
等训练真的被数据加载拖慢，再考虑调整。
DataLoader 和 Dataset 的关系
Dataset 负责定义“单条数据怎么取”。
DataLoader 负责定义“怎么批量取、要不要打乱、怎么并行加载”。
可以这样记：
Dataset 管单个样本
DataLoader 管一批样本这两个配合起来，训练循环才会干净。
小结
DataLoader 不直接训练模型，但它决定数据怎样进入模型。
理解 batch_size、shuffle 和 num_workers，基本就能读懂大多数 PyTorch 入门训练代码。