使用的数据集为flower_photos，此数据集中：同一种花的图片分别存放于同一文件夹，文件夹名即为花的品种名称，如图：

from __future__ import print_function, division
import torchvision
import torchvision.transforms as transforms
from torch.utils.data import DataLoader
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split

train_transform = transforms.Compose([
        transforms.RandomResizedCrop(224),
        transforms.RandomHorizontalFlip(),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])

dataset =torchvision.datasets.ImageFolder(root='D:/DATASETS/flower_photos',transform=train_transform)

train_dataset, valid_dataset = train_test_split(dataset,test_size=0.2, random_state=0)
print(len(train_dataset))
print(len(valid_dataset))
train_loader =DataLoader(train_dataset,batch_size=4, shuffle=True,num_workers=0)
#Batch Size定义：一次训练所选取的样本数。 Batch Size的大小影响模型的优化程度和速度。
valid_loader =DataLoader(valid_dataset,batch_size=4, shuffle=True,num_workers=0)

2936
734
下面的代码出现了一个错误：Invalid shape (3, 224, 224) for image data。
因为一般神经网络中对图像处理之后的格式是（3，224，224）这种，分别为通道，高，宽。
但是plt显示的图像格式为（224，224，3）也就是高，宽，通道。
此处使用了方法：img = img.permute(2, 1, 0)解决这个问题。

print(len(train_dataset))
for image in train_loader:
    valid_image,valid_label=image
    print('valid_label:',valid_label[0])
    print('valid_image shape：',valid_image[0].shape)
    print(valid_image[0].dtype)
    plt.imshow(valid_image[0].permute(2, 1, 0))
    plt.show()
    break

Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).

2936
valid_label: tensor(2)
valid_image shape： torch.Size([3, 224, 224])
torch.float32