译者：bat67
最新版会在译者仓库首先同步。
目前为止，我们以及看到了如何定义网络，计算损失，并更新网络的权重。
现在可能会想，
数据呢？
通常来说，当必须处理图像、文本、音频或视频数据时，可以使用python标准库将数据加载到numpy数组里。然后将这个数组转化成torch.*Tensor。
- 对于图片，有Pillow，OpenCV等包可以使用
- 对于音频，有scipy和librosa等包可以使用
- 对于文本，不管是原生python的或者是基于Cython的文本，可以使用NLTK和SpaCy
特别对于视觉方面，我们创建了一个包，名字叫torchvision，其中包含了针对Imagenet、CIFAR10、MNIST等常用数据集的数据加载器（data loaders），还有对图片数据变形的操作，即torchvision.datasets和torch.utils.data.DataLoader。
这提供了极大的便利，可以避免编写样板代码。
在这个教程中，我们将使用CIFAR10数据集，它有如下的分类：“飞机”，“汽车”，“鸟”，“猫”，“鹿”，“狗”，“青蛙”，“马”，“船”，“卡车”等。在CIFAR-10里面的图片数据大小是3x32x32，即三通道彩色图，图片大小是32x32像素。
训练一个图片分类器
我们将按顺序做以下步骤：
- 通过
torchvision加载CIFAR10里面的训练和测试数据集，并对数据进行标准化 - 定义卷积神经网络
- 定义损失函数
- 利用训练数据训练网络
- 利用测试数据测试网络