PyTorch DataLoader需要一个DataSet ，你可以在查看文档 。正确的方法是使用：

torch.utils.data.TensorDataset(*tensors)

这是用于包装张量的数据集，其中每个样本将通过沿第一维索引张量来检索。参数*tensors量表示具有与第一维相同大小的张量。

另一个class torch.utils.data.Dataset是一个抽象类。

这是将numpy数组转换为张量的方法：

import torch
import numpy as np
n = np.arange(10)
print(n) #[0 1 2 3 4 5 6 7 8 9]
t1 = torch.Tensor(n)  # as torch.float32
print(t1) #tensor([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])
t2 = torch.from_numpy(n)  # as torch.int32
print(t2) #tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9], dtype=torch.int32)

可接受的答案使用了torch.Tensor构造。如果您的图像像素在0-255之间，则可以使用以下方法：

timg = torch.from_numpy(img).float()

或torchvision to_tensor方法，该方法将PIL图像或numpy.ndarray转换为张量。

但是，这里有一个小技巧，您可以直接放置numpy数组。

x1 = np.array([1,2,3])
d1 = DataLoader( x1, batch_size=3)

这也可以，但是如果您打印d1.dataset类型：

print(type(d1.dataset)) # <class 'numpy.ndarray'>

虽然我们实际上需要Tensors才能使用CUDA，所以最好使用Tensors来DataLoader 。

我认为DataLoader实际需要的是对Dataset进行子类化的输入。你可以写一个继承自己的数据集类Dataset或使用TensorDataset因为我已经做了如下：

import torch
import numpy as np
from torch.utils import data

my_x = [np.array([[1.0,2],[3,4]]),np.array([[5.,6],[7,8]])] # a list of numpy arrays
my_y = [np.array([4.]), np.array([2.])] # another list of numpy arrays (targets)

tensor_x = torch.Tensor(my_x) # transform to torch tensor
tensor_y = torch.Tensor(my_y)

my_dataset = data.TensorDataset(tensor_x,tensor_y) # create your datset
my_dataloader = data.DataLoader(my_dataset) # create your dataloader

为我工作。希望对您有帮助。