想要找一些官方的小工具数据集，可以进入pytorch官网，DOCS-》pytorch下拉至libraries，点击torchversion，调整版本至0.9.0就可以找到相应的一些数据集，训练集
ctrl+p可以看一个函数中需要设置哪些参数
下载数据集可以参考官方文档中的描述对数据集进行下载
import torchvision
train_set=torchvision.datasets.CIFAR10(root='./dataset',train=True,download=True)
#root表示数据集存放在那个位置./表示当前目录
#train如果为True，则从训练集创建数据集，否则从测试集创建数据集
#download如果为true，则从互联网下载数据集并将其放在根目录中。如果数据集已经下载，则不会再次下载。
#这些参数都可以从官方文档中获取
test_set=torchvision.datasets.CIFAR10(root='./dataset',train=False,download=True)
下载慢的话可以用迅雷下载
使用这个地址
<PIL.Image.Image image mode=RGB size=32x32 at 0x179A0B20A90> 表示这个样本是一个 32x32 像素的 RGB 彩色图像，使用 PIL 库表示。
3 是这个图像对应的标签，即这个图像所代表的物体类别在 CIFAR-10 数据集中的索引（CIFAR-10 数据集共有 10 个类别，索引从 0 到 9）
torchvision.transforms.Compose 是一个方便的工具，用于将多个图像变换操作组合成一个单一的变换。在图像处理和深度学习模型的训练过程中，通常需要对图像进行一系列的预处理操作，例如裁剪、缩放、归一化等。Compose 允许你将这些操作串联起来，使其按顺序应用于每个输入图像。
import torchvision.transforms as transforms
dataset_transform = transforms.Compose([
transforms.RandomResizedCrop(224),
transforms.RandomHorizontalFlip(),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])
如下进行
import torchvision
from torch.utils.tensorboard import SummaryWriter
dataset_transform=torchvision.transforms.Compose([
torchvision.transforms.ToTensor()
])
train_set=torchvision.datasets.CIFAR10(root='./dataset',train=True,transform=dataset_transform,download=True)
test_set=torchvision.datasets.CIFAR10(root='./dataset',train=False,transform=dataset_transform,download=True)
print(test_set[0])
加上transform的流程对数据进行处理
这样批量将导入的数据进行处理
在图像处理中和深度学习模型的训练过程中，Normalize 变换的主要作用是对图像数据进行标准化处理。具体来说，Normalize 会调整图像的像素值，使其符合某个特定的分布。这通常有助于加速模型的训练过程并提高模型的性能。下面是 Normalize 的作用和原理的详细解释。
作用
加速模型收敛：通过将输入数据标准化，可以使模型的梯度更加稳定，避免某些特征对模型训练造成过大的影响，从而加速模型的收敛速度。
提高模型性能：标准化可以使不同特征的数据分布更加一致，有助于模型更好地理解和学习数据的特征，提高模型的性能。
防止梯度消失和梯度爆炸：标准化可以将输入数据的范围限制在一个较小的范围内，防止梯度在传播过程中变得过大或过小，稳定模型的训练过程。
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
对于红色通道，减去均值 0.485，再除以标准差 0.229。
对于绿色通道，减去均值 0.456，再除以标准差 0.224。
对于蓝色通道，减去均值 0.406，再除以标准差 0.225。
ctrl+/可以快速对多行进行注释