117笔记问答在PyTorch中，可以使用torchvision.datasets模块来加载常用的数据集。该模块提供了对以下常用数据集的支持：
- MNIST：手写数字数据集。
- FashionMNIST：时尚物品数据集。
- CIFAR10/CIFAR100：包含10/100个类别的彩色图像数据集。
- ImageNet：用于图像分类的大型数据库。
- COCO：用于目标检测、图像分割和图像标注的数据集。
加载数据集的一般步骤如下：
- 导入必要的模块：
from torchvision import datasets
- 定义数据集的变换（可选）：
from torchvision import transforms transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
这里的变换是将图像转换为张量，并进行归一化处理。
- 加载数据集：
train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True) test_dataset = datasets.MNIST(root='./data', train=False, transform=transform, download=True)
这里的root参数指定数据集的下载和存储路径，train参数表示加载训练集还是测试集，transform参数指定对数据集进行的变换，download参数表示是否下载数据集（仅在第一次运行时需要下载）。
- 创建数据加载器：
from torch.utils.data import DataLoader train_loader = DataLoader(dataset=train_dataset, batch_size=64, shuffle=True) test_loader = DataLoader(dataset=test_dataset, batch_size=64, shuffle=False)
这里的batch_size参数指定每个批次的样本数，shuffle参数表示是否对数据进行随机打乱。
通过上述步骤，就能够加载和使用PyTorch中的数据集进行训练和测试。