官方教程
我们将按顺序执行以下步骤：
1.使用使用 torchvision
2.定义卷积神经网络
3.定义损耗函数
4.根据培训数据对网络进行训练
5.在测试数据上测试网络
这篇博文为第一步
在训练神经网络前，必须有数据。可以使用以下几个数据提供源。
准备图片数据集
一、CIFAR-10CIFAR-10
二、ImageNetImageNet
三、ImageFolderImageFolder
四、LSUN ClassificationLSUN Classification
五、COCO (Captioning and Detection)COCO
为了方便加载以上五种数据库的数据，torchvision 是 PyTorch 中专门用来处理图像的库。使用torchvision就可以轻松实现数据的加载和预处理。
我们以使用CIFAR10为例：
import torchvision
import torchvision.transforms as transforms # transforms用于数据预处理CIFAR10有60000张图片，其中50000张是训练集，10000张是测试集。
#训练集，将相对目录./data下的cifar-10-batches-py文件夹中的全部数据
#（50000张图片作为训练数据）加载到内存中，若download为True时，会自动从网上下载数据并解压
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
download=False, transform=None)下面简单讲解root、train、download、transform这四个参数
1.root，表示cifar10数据的加载的相对目录
2.train，表示是否加载数据库的训练集，false的时候加载测试集
3.download，表示是否自动下载cifar数据集
4.transform，表示是否需要对数据进行预处理，none为不进行预处理
由于美帝路途遥远，靠命令台进程下载100多M的数据速度很慢，所以我们可以自己去到cifar10的官网上把CIFAR-10 python version下载下来，然后解压为cifar-10-batches-py文件夹，并复制到相对目录./data下。（若设置download=True，则程序会自动从网上下载cifar10数据到相对目录./data下，但这样小伙伴们可能要等一个世纪了），并对训练集进行加载（train=True）
在脚本文件下建一个data文件夹，然后把数据集文件夹丢到里面去就好了，注意cifar-10-batches-py文件夹名字不能自己任意改。
接下来看一下trainset的大小
print len(trainset)
#结果：50000
我们在训练神经网络时，使用的是mini-batch（一次输入多张图片），所以我们在使用一个叫DataLoader的工具为我们将50000张图分成每四张图一分，一共12500份的数据包。
#将训练集的50000张图片划分成12500份，每份4张图，用于mini-batch输入。
#shffule=True在表示不同批次的数据遍历时，打乱顺序（这个需要在训练神经网络时再来讲）。
#num_workers=2表示使用两个子进程来加载数据
import torch
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
shuffle=False, num_workers=2)接下来需要对数据进行预处理，预处理会帮助我们加快神经网络的训练。
预处理用到了transforms函数：
transform=transforms.Compose([transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)),])compose函数会将多个transforms包在一起。
1.ToTensor是指把PIL.Image(RGB) 或者numpy.ndarray(H x W x C) 从0到255的值映射到0到1的范围内，并转化成Tensor格式。
2.Normalize(mean，std)是通过下面公式实现数据归一化
transforms.Normalize( mean = (0.5,0.5,0.5), std = (0.5,0.5,0.5) )并不是指将张量的均值和标准差设为0.5，而是做这么一个运算：输入的每个channel做 ( [0, 1] - mean（0.5) )/ std（0.5）= [-1, 1] 的运算，所以这一句的实际结果是将[0，1]的张量归一化到[-1, 1]上。
channel=（channel-mean）/std 经过上面两个操作，我们的数据中的每个值就变成了[-1,1]的数了。
1.先引入库
import torch
import torchvision
import torchvision.transforms as transforms2.数据预处理，归化为tensor数据，并归一化为[-1, 1]
# torchvision输出的是PILImage，值的范围是[0, 1].
# 我们将其转化为tensor数据，并归一化为[-1, 1]。
transform=transforms.Compose([transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)),
])3.加载训练集数据
#训练集，将相对目录./data下的cifar-10-batches-py文件夹中的全部数据
#（50000张图片作为训练数据）加载到内存中，若download为True时，会自动从网上下载数据并解压
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
download=False, transform=transform)4.划分数据，加速处理
#将训练集的50000张图片划分成12500份，每份4张图，用于mini-batch输入。
#shffule=True在表示不同批次的数据遍历时，打乱顺序。num_workers=2表示使用两个子进程来加载数据
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
shuffle=False, num_workers=2)5.展示训练图像，直观感受
对代码中一部分的理解，参考plt.imshow(np.transpose(npimg, (1, 2, 0)))在pytorch中，读入图片并进行显示的方式有两种，见博文。
#添加CIFAR10的标签
classes = ('plane', 'car', 'bird', 'cat','deer', 'dog', 'frog', 'horse', 'ship', 'truck')
import matplotlib.pyplot as plt
import numpy as np
# functions to show an image
def imshow(img):
img = img / 2 + 0.5 # unnormalize 非标准的反归一化
#因为归一话的时候是先减去平均值0.5 ，然后再除以标准偏差0.5那么反归一化就是先乘以0.5，再加0.5。
npimg = img.numpy()#Image互转化为numpy，将torch.FloatTensor 转换为numpy
#因为在plt.imshow现在实际输入的是（imagesize,imagesize,channels）,
#而定义中参数img的格式为（channels,imagesize,imagesize）,这两者的格式不一致
#我们需要调用np.transpose函数，即np.transpose(npimg,(1,2,0))
#将npimg的数据格式由（channels,imagesize,imagesize）转化为（imagesize,imagesize,channels）,进行格式的转换后方可进行显示。
plt.imshow(np.transpose(npimg, (1, 2, 0)))
plt.show()
# get some random training images
dataiter = iter(trainloader)
images, labels = dataiter.next()
# show images
imshow(torchvision.utils.make_grid(images))
# print labels
print(' '.join('%5s'%classes[labels[j]] for j in range(4)))输出图片：
输出标签：
6.运行时出现的问题
原因：多进程需要在main函数中运行
解决办法：参考博客
1.加main函数，在main中调用
2.num_workers改为0，单进程加载