我认为DataLoader实际上需要的是一个子类化Dataset的输入，您可以编写自己的子类化Dataset的数据集类，也可以像下面这样使用TensorDataset：

import torch
import numpy as np
from torch.utils.data import TensorDataset, DataLoader

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

对我有用。

因为你有图像，你可能想对它们进行转换，所以TensorDataset不是最好的选择，相反你可以创建自己的Dataset，比如：

import torch
from torchvision import transforms
from torch.utils.data import Dataset, DataLoader
import numpy as np
from PIL import Image

class MyDataset(Dataset):
    def __init__(self, data, targets, transform=None):
        self.data = data
        self.targets = torch.LongTensor(targets)
        self.transform = transform
        
    def __getitem__(self, index):
        x = self.data[index]
        y = self.targets[index]
        
        if self.transform:
            x = Image.fromarray(self.data[index].astype(np.uint8).transpose(1,2,0))
            x = self.transform(x)
        
        return x, y
    
    def __len__(self):
        return len(self.data)

# Let's create 10 RGB images of size 128x128 and 10 labels {0, 1}
data = list(np.random.randint(0, 255, size=(10, 3, 128, 128)))
targets = list(np.random.randint(2, size=(10)))

transform = transforms.Compose([transforms.Resize(64), transforms.ToTensor()])
dataset = MyDataset(data, targets, transform=transform)
dataloader = DataLoader(dataset, batch_size=5)

PyTorch DataLoader需要一个DataSet，因为你可以签入docs。正确的方法是用途：

torch.utils.data.TensorDataset(*tensors)

这是一个用于 Package Tensor的数据集，其中每个样本将通过沿着第一维索引Tensor来检索。参数*tensors表示具有与第一维相同大小的Tensor。
另一个class torch.utils.data.Dataset是一个抽象类。
下面是如何将numpy数组转换为Tensor：

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)

已接受的答案使用torch.Tensor构造。如果您有一个像素为0-255的图像，则可以使用以下构造：

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Tensor。
但是这里有个小技巧你可以直接把你的numpy数组。

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

这也可以，但如果打印d1.dataset，请键入：

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

虽然我们实际上需要使用CUDA的Tensor，所以最好使用Tensor来填充DataLoader。