1. 减少batch_size（如减少到1）是否会影响读取性能？

答：不知道是不是我电脑的原因，从32到16再到1，反复测试多次，没看出啥区别，另外还发现了一个有趣的事情，我的电脑设置多进程反而读取速度更慢。

2. 数据迭代器的性能⾮常重要。你认为当前的实现⾜够快吗？探索各种选择来改进它。

答：它的迭代器是使用DataLoader默认的顺序采样器，训练集的shuffle=True，而测试集用的是false，可以看源码：

def load_data_fashion_mnist(batch_size, resize=None): #@save
    """下载Fashion-MNIST数据集，然后将其加载到内存中"""
    trans = [transforms.ToTensor()]
    if resize:
        trans.insert(0, transforms.Resize(resize))
    trans = transforms.Compose(trans)
    mnist_train = torchvision.datasets.FashionMNIST(
        root="../data", train=True, transform=trans, download=True)
    mnist_test = torchvision.datasets.FashionMNIST(
        root="../data", train=False, transform=trans, download=True)
    return (data.DataLoader(mnist_train, batch_size, shuffle=True,
        num_workers=get_dataloader_workers()),
            data.DataLoader(mnist_test, batch_size, shuffle=False,
    num_workers=get_dataloader_workers()))

在这里提一嘴这个shuffle=True的意思哈：

比如从数据集 [a,b,c,d] 取 batch_size=2 的数据，它首先会对数据集打乱得到 [b,a,d,c] 然后按顺序取 [b,a] [d,c].

至于可以提升速度的选择，有pin_memory=True表示生成的Tensor数据是属于内存中的锁页内存区，这样将Tensor数据转义到GPU中速度就会快一些，（是的，没想到吧，一直都是gpu负责操作tensor，但是tensor并不存在gpu上，当然你可以显示指定它存在gpu上） 还有num_workers的设置，但是这些感觉都见仁见智，我的电脑感觉都没啥区别 :(

会不会采样器的选择也对速度有影响呢？希望有大佬告知

3. 查阅框架的在线API⽂档。还有哪些其他数据集可⽤？

答：去看看这篇博客！

图像分类的数据集

另外附上我在pycharm读取图片集的代码

def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5): 
    figsize = (num_cols * scale, num_rows * scale)
    _, axes = plt.subplots(num_rows, num_cols, figsize=figsize)
    axes = axes.flatten()
    for i,img,lbl in zip(axes, imgs,titles):
            i.imshow(np.squeeze(img.numpy()))
            i.set_title(lbl)
    plt.show()