最主要的方法是：

data_loader = Data.DataLoader(
    dataset=Data.TensorDataset(x, y),  # 封装进Data.TensorDataset(tensor数据1,tensor数据2, ...)类的数据，可以为任意维度
    batch_size=BATCH_SIZE,  # 每个batch的大小，即每次取数据的大小
    shuffle=True,  # 要不要打乱数据 (打乱比较好)
    num_workers=2,  # 多进程（multiprocess）来读数据
)

案例

import torch
import torch.utils.data as Data
import pandas as pd
import numpy as np


def get_data():
    """生成 特征 X 与 label Y """

    def get_tensor_from_pd(dataframe_series):
        return torch.tensor(data=dataframe_series.values)

    df = pd.DataFrame(data=np.random.randint(0, 10, size=(20, 5)))
    y = pd.Series(np.random.randint(0, 2, 20))
    return get_tensor_from_pd(df), get_tensor_from_pd(y)


if __name__ == '__main__':  # 注意：如果loader中设置了num_workers!=0，即采用多进程来处理数据，运行含loader的操作必须在‘__main__’的范围内
    torch.manual_seed(1)  # 确定随机种子
    # 生成数据集
    x, y = get_data()
    BATCH_SIZE = 6  # 每个batch的大小，即每次取出多少个数据

    # 把 dataset 放入 DataLoader
    data_loader = Data.DataLoader(
        dataset=Data.TensorDataset(x, y),  # 封装进Data.TensorDataset()类的数据，可以为任意维度
        batch_size=BATCH_SIZE,  # 每块的大小
        shuffle=True,  # 要不要打乱数据 (打乱比较好)
        num_workers=2,  # 多进程（multiprocess）来读数据
    )

    # 进行3轮训练（每次拿全部的数据进行训练）
    for epoch in range(3):
        # 在一轮中迭代获取每个batch（把全部的数据分成小块一块块的训练）
        for step, (batch_x, batch_y) in enumerate(data_loader):
            # 把 batch 数据打印出来
            print("-----------------==================================================-----------------")
            print('迭代次数Epoch: ', epoch, '| batch次数: ', step)
            print('batch x值: ', batch_x, '| batch y值: ', batch_y)