實際上pytorch在定義dataloader的時候是需要傳入很多參數的，比如，number_workers， pin_memory, 以及shuffle， dataset等，其中sampler參數算是其一
sampler實際上定義了torch.utils.data.dataloader的數據取樣方式，什么意思呢？
在自己定義dataset中的__getitem__函數的時候，每一個index，唯一的對應一個樣本，sampler實際上就是一系列的index組成的可迭代對象
如下圖所示的__iter__函數返回的可迭代對象
下圖所示的是randomsampler，即隨機的shuffle圖片的index，然后取樣，關鍵就一句話，在__iter__中的torch.randperm(n).tolist()
表明產生了一個0到n-1的一個list
比如我的數據是128張圖片，然后，dataset中的__len__也是128，我的sampler，如果不shuffle的話，其中的index從0-127沒毛病
如果將這個順序打亂，那就是相當於隨機取樣，和上圖一樣
也就是說，每個圖片都定義了唯一的一個index，取圖的時候按照sampler定義的規則來取圖，實際上這樣就可以做一些有意思的事情了
比如我的batch size是2，我想每一個batch取的圖片是第一張和緊挨着的后面的一張圖，假設sampler不shuffle的話，那么__iter__返回的可迭代對象應該是
iter([0,1,1,2,2,3,3,4,4,5,.....])沒毛病
再比如，我想我的batch是4，隔一張取一下圖片，那么我的sampler的函數返回的__iter__應該是iter[0,2,4,6,1,3,5,7,2,4,6,8,.......]
但是這又有什么用？比如按照我上面的第一種取圖的需求，我完全可以在__getitem__中定義下一個index使得和上面一個讀到的圖像一樣。用處就在這里，
假設是定義一個相同的index，讀取相同的圖片是非常的占用內存的，比如imagenet，讀完放到內存里面，大概是需要一百多個g，按照我剛剛的第一個例子讀取，內存就需要2倍，實際上這是不允許的，通過定義sampler，對於一張圖片重復采樣，比對於一張圖片讀取多遍顯然要划算的多