是的，这是可能的。只要自己创建对象，例如。

import torch.utils.data as data_utils

train = data_utils.TensorDataset(features, targets)
train_loader = data_utils.DataLoader(train, batch_size=50, shuffle=True)

其中features和targets是Tensor。features必须是2-D，即每行代表一个训练样本的矩阵，targets可以是1-D或2-D，具体取决于您尝试预测的是标量还是向量。

编辑：对@sarthak问题的回复

基本上是的，如果你创建一个TensorData类型的对象，那么构造器会调查特征Tensor（实际上叫做data_tensor）和目标Tensor（叫做target_tensor）的第一维是否具有相同的长度：

assert data_tensor.size(0) == target_tensor.size(0)

然而，如果你想随后将这些数据送入神经网络，那么你需要小心。当卷积层处理像你这样的数据时，（我认为）所有其他类型的图层都希望数据以矩阵形式给出。因此，如果您遇到此类问题，一个简单的解决方案是转换您的4D数据集（给定为某种Tensor，例如FloatTensor）转换为矩阵。对于5000 xnxnx 3数据集，如下所示：

2d_dataset = 4d_dataset.view(5000, -1)

(The值-1告诉PyTorch自动计算第二维的长度。）

通过扩展data.Dataset类可以很容易地做到这一点。根据API，您所要做的就是实现两个函数：__getitem__和__len__。
然后，您可以使用DataLoader Package 数据集，如API和@pho7的答案所示。
我认为ImageFolder类是一个引用。参见代码here。

是的，你可以做到。希望这对未来的读者有所帮助。

from torch.utils.data import TensorDataset, DataLoader
import torch.utils.data as data_utils

inputs = [[ 1,  2,  3,  4,  5],[ 2,  3,  4,  5,  6]]
targets = [ 6,7]
batch_size = 2

inputs  = torch.tensor(inputs)
targets = torch.IntTensor(targets)
    
dataset =TensorDataset(inputs, targets)
data_loader = DataLoader(dataset, batch_size, shuffle = True)

除了user3693922's answer和accepted answer（分别为link，“快速”PyTorch文档示例，用于为自定义数据集创建自定义数据加载器，以及在“最简单”的情况下创建自定义数据加载器）之外，还有一个更详细的PyTorch官方专用教程，介绍如何使用相关预处理创建自定义数据加载器："writing custom datasets, dataloaders and transforms" official PyTorch tutorial

是的，Pytorch的DataLoader被设计为接受Dataset对象作为输入，但是它所需要的只是一个具有__getitem__和__len__属性的对象，所以任何泛型容器都足够了。
例如，一个以features（x值）作为第一个元素，以targets（y值）作为第二个元素的元组列表可以直接传递给DataLoader，如下所示：

x = [6,3,8,2,5,9,7]
y = [1,0,1,0,0,1,1]

data = [*zip(x,y)]
dataloader = torch.utils.data.DataLoader(data)

for features, targets in dataloader:
    #...