在PyTorch中使用DataLoader加载数据主要有以下几个步骤：

创建数据集对象：首先，需要创建一个数据集对象，该数据集对象必须继承自torch.utils.data.Dataset类，并实现__len__和__getitem__方法。__len__方法应返回数据集的大小，__getitem__方法应根据给定的索引返回对应的数据样本。

创建数据集实例：根据步骤1中创建的数据集对象，创建一个数据集实例。

创建数据加载器：使用torch.utils.data.DataLoader类来创建数据加载器，将数据集实例作为参数传入。可以设置batch_size、shuffle等参数来控制加载数据的方式。

遍历数据加载器：使用for循环遍历数据加载器，每次迭代会返回一个batch的数据。可以将这些数据传入模型进行训练。

示例代码如下：

import torchfrom torch.utils.data import Dataset, DataLoader# 创建数据集对象class MyDataset(Dataset):def __init__(self):self.data = [1, 2, 3, 4, 5]def __len__(self):return len(self.data)def __getitem__(self, idx):return self.data[idx]# 创建数据集实例dataset = MyDataset()# 创建数据加载器dataloader = DataLoader(dataset, batch_size=2, shuffle=True)# 遍历数据加载器for batch_data in dataloader:print(batch_data)

在上面的示例中，首先创建了一个简单的数据集对象MyDataset，然后根据该数据集对象创建了一个数据集实例dataset。接着使用DataLoader类创建了一个数据加载器dataloader，设置batch_size为2，shuffle为True。最后通过for循环遍历数据加载器，每次迭代会返回一个batch_size为2的数据。