在C++中使用PyTorch進行數據加載的一種常見方法是使用torch::data::datasets和torch::data::dataloader模塊來加載和處理數據。

首先，你需要定義自定義數據集類，繼承自torch::data::datasets::Dataset類，并實現size()和get()方法來返回數據集的大小和索引對應的樣本。

class CustomDataset : public torch::data::datasets::Dataset<CustomDataset> {
public:
    explicit CustomDataset(/* pass any necessary arguments */) {
        // initialize your dataset
    }

    torch::data::Example<> get(size_t index) override {
        // return the sample at the given index
    }

    torch::optional<size_t> size() const override {
        // return the size of the dataset
    }
};

然后，你可以使用torch::data::dataloader類來創建數據加載器，指定數據集、批量大小和是否需要對數據進行隨機重排。

auto dataset = CustomDataset(/* pass any necessary arguments */);
auto dataloader = torch::data::make_data_loader<torch::data::samplers::SequentialSampler>(
    std::move(dataset), torch::data::DataLoaderOptions().batch_size(64));

最后，你可以使用數據加載器迭代數據集中的樣本，進行模型訓練或推斷。

for (auto& batch : *dataloader) {
    auto data = batch.data;
    auto target = batch.target;
    
    // process the batch data
}

通過這種方式，你可以在C++中使用PyTorch加載和處理數據，為模型訓練提供了便利的數據管道。