在 PyTorch 中，有幾種常見的方法可以導入數據集：

1. 使用 torchvision.datasets 模塊導入常見的計算機視覺數據集，例如 CIFAR10、MNIST 等。可以使用 torchvision.datasets.CIFAR10、torchvision.datasets.MNIST 等類來實例化數據集對象。

示例代碼：

import torchvision.datasets as datasets

# 導入 CIFAR10 數據集
train_dataset = datasets.CIFAR10(root='path/to/dataset', train=True, transform=None, download=True)

# 導入 MNIST 數據集
test_dataset = datasets.MNIST(root='path/to/dataset', train=False, transform=None, download=True)

2. 自定義數據集類，繼承自 torch.utils.data.Dataset，并實現 __len__ 和 __getitem__ 方法。這允許您以自定義方式加載和處理數據集。

示例代碼：

from torch.utils.data import Dataset

class MyDataset(Dataset):
    def __init__(self, data, labels, transform=None):
        self.data = data
        self.labels = labels
        self.transform = transform

    def __len__(self):
        return len(self.data)

    def __getitem__(self, index):
        x = self.data[index]
        y = self.labels[index]
        
        if self.transform:
            x = self.transform(x)
        
        return x, y

# 使用自定義數據集
my_dataset = MyDataset(data, labels, transform=None)

3. 使用 torch.utils.data.DataLoader 類將數據集包裝成可迭代的數據加載器。數據加載器可以用于批量加載數據、多線程加載數據等。

示例代碼：

from torch.utils.data import DataLoader

# 創建數據加載器
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False)

以上是 PyTorch 中導入數據集的幾種常見方法。具體的選擇取決于數據集的類型和需求。