torch.utils.data.DataLoader迭代机制解析：为何遍历一次后times值为938而非预期的64？

首先，咱们先解决你最困惑的问题：为什么times的值是938而不是64？

核心误解：batch_size vs 批次数量 #

你设置的batch_size=64是每个批次包含的样本数量，而不是遍历trainloader的循环次数。for image, label in trainloader这个循环会遍历所有批次，每一次循环对应一个batch的样本处理。times每次循环加1，所以它的最终值等于trainloader的总批次数量。

举个例子，如果你的trainset总共有60000个样本（比如经典的MNIST数据集），总批次数量就是ceil(60000 / 64) = 938——这正好和你看到的结果一致！因为60000除以64等于937.5，最后一批会包含剩下的32个样本（除非你设置drop_last=True，这时候会丢弃最后一批不足64的样本，批次数量就变成937）。

torch.utils.data.DataLoader的迭代运行机制 #

DataLoader的核心作用是把原始的Dataset包装成一个可迭代的批次生成器，它的迭代逻辑可以拆解成这几个关键步骤：

• 采样器（Sampler）生成样本索引序列
  当你设置shuffle=True时，DataLoader会使用RandomSampler，在每个epoch开始时随机打乱所有样本的索引顺序；如果shuffle=False，则用SequentialSampler按顺序生成索引。这个步骤决定了每个epoch中样本的读取顺序。

• 批次采样器（BatchSampler）拆分索引为批次
  BatchSampler会把Sampler生成的索引序列，按照batch_size分成一个个索引组。比如总共有60000个索引，就会分成938组，前937组每组64个索引，最后一组32个索引。如果你设置了drop_last=True，BatchSampler会丢弃最后一组不足batch_size的索引，只保留完整的批次。

• 迭代时加载并打包批次数据
  当你遍历trainloader时，每次迭代会取出一个索引组，然后从Dataset中加载对应的样本和标签。默认的collate_fn会把这些零散的样本打包成形状为(batch_size, ...)的Tensor，标签也会打包成对应的Tensor，最后返回给你。整个循环会跑完所有批次，直到所有索引组都被处理完毕。

对你的代码的补充说明 #

你的训练逻辑里，外层的for i in range(batches)是遍历epoch（训练轮数），每一轮都会完整遍历trainloader的所有批次。所以第一个epoch结束后，times就是938；如果batches=2，那times就会变成1876，以此类推。

另外提个小细节：你的accuracy计算是累加每个batch的准确率，最后除以批次数量得到整个epoch的平均准确率，这个逻辑是对的。如果想更清晰，可以把times的初始化放到外层循环里，这样每一轮epoch都能单独统计该轮的batch次数。

内容的提问来源于stack exchange，提问作者Alessandro Mondin