Update data.md

docs/1.0/data.md

 # torch.utils.data
 
+> 译者：[BXuan694](https://github.com/BXuan694)
+
 ```py
 class torch.utils.data.Dataset
 ```
 表示数据集的抽象类。
 
-所有用到的数据集都必须是其子类。这些子类都必须重写以下方法：`__len__`：定义了数据集的规模；`__getitem__`：支持0到len(self)范围内的整数索引。
+所有用到的数据集都必须是其子类。这些子类都必须重写以下方法：`__len__`：定义了数据集的规模；`__getitem__`：支持0到len(self)范围内的整数索引。
 
 ```py
 class torch.utils.data.TensorDataset(*tensors)
@@ -31,7 +33,7 @@ class torch.utils.data.ConcatDataset(datasets)
 class torch.utils.data.Subset(dataset, indices)
 ```
 
-用索引指定的数据集子集。
+用索引指定的数据集子集。
 
 参数： 
 
@@ -52,7 +54,7 @@ class torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=False, sampler=
 *   **num_workers**（[_int_](https://docs.python.org/3/library/functions.html#int "(in Python v3.7)")_,_ _可选_) – 加载数据的子进程数量。0表示主进程加载数据（默认：`0`）。
 *   **collate_fn**（_可调用_ _,_ _可选_）– 归并样例列表来组成小批。
 *   **pin_memory**（[_bool_](https://docs.python.org/3/library/functions.html#bool "(in Python v3.7)")_,_ _可选_）– 如果设置为`True`，数据加载器会在返回前将张量拷贝到CUDA锁页内存。
-*   **drop_last**（[_bool_](https://docs.python.org/3/library/functions.html#bool "(in Python v3.7)")_,_ _可选_）– 如果数据集的大小不能不能被批大小整除，该选项设为`True`后不会把最后的残缺批作为输入；如果设置为`False`，最后一个批将会稍微小一点。（默认：`False`）
+*   **drop_last**（[_bool_](https://docs.python.org/3/library/functions.html#bool "(in Python v3.7)")_,_ _可选_）– 如果数据集的大小不能不能被批大小整除，该选项设为`True`后不会把最后的残缺批作为输入；如果设置为`False`，最后一个批将会稍微小一点。（默认：`False`）
 *   **timeout**（_数值_ _,_ _可选_） – 如果是正数，即为收集一个批数据的时间限制。必须非负。（默认：`0`）
 *   **worker_init_fn**（_可调用_ _,_ _可选_）– 如果不是`None`，每个worker子进程都会使用worker id（在`[0, num_workers - 1]`内的整数）进行调用作为输入，这一过程发生在设置种子之后、加载数据之前。（默认：`None`）
 
@@ -98,7 +100,7 @@ class torch.utils.data.SequentialSampler(data_source)
 class torch.utils.data.RandomSampler(data_source, replacement=False, num_samples=None)
 ```
 
-随机采样元素。如果replacement不设置，则从打乱之后的数据集采样。如果replacement设置了，那么用户可以指定`num_samples`来采样。
+随机采样元素。如果replacement不设置，则从打乱之后的数据集采样。如果replacement设置了，那么用户可以指定`num_samples`来采样。
 
 参数：
 
@@ -123,7 +125,7 @@ class torch.utils.data.WeightedRandomSampler(weights, num_samples, replacement=T
 
 参数：
 
-*   **weights**（_序列_) – 权重序列，不需要和为1。
+*   **weights**（_序列_) – 权重序列，不需要和为1。
 *   **num_samples** ([_int_](https://docs.python.org/3/library/functions.html#int "(in Python v3.7)")) – 采样数。
 *   **replacement** ([_bool_](https://docs.python.org/3/library/functions.html#bool "(in Python v3.7)")) – 如果是`True`，替换采样。否则不替换，即：如果某个样本索引已经采过了，那么不会继续被采。
 
@@ -137,7 +139,7 @@ class torch.utils.data.BatchSampler(sampler, batch_size, drop_last)
 
 *   **sampler**（[_Sampler_](#torch.utils.data.Sampler "torch.utils.data.Sampler")）– 基采样器。
 *   **batch_size**（[_int_](https://docs.python.org/3/library/functions.html#int "(in Python v3.7)")）– 小批的规模。
-*   **drop_last**（[_bool_](https://docs.python.org/3/library/functions.html#bool "(in Python v3.7)")）– 如果设置为`True`，采样器会丢弃最后一个不够`batch_size`的小批（如果存在的话）。
+*   **drop_last**（[_bool_](https://docs.python.org/3/library/functions.html#bool "(in Python v3.7)")）– 如果设置为`True`，采样器会丢弃最后一个不够`batch_size`的小批（如果存在的话）。
 
 示例
 
@@ -164,4 +166,4 @@ class torch.utils.data.distributed.DistributedSampler(dataset, num_replicas=None
 
 *   **dataset** – 采样的数据集。
 *   **num_replicas**（_可选_）– 参与分布式训练的进程数。
-*   **rank**（_可选_）– num_replicas中当前进程的等级。
\ No newline at end of file
+*   **rank**（_可选_）– num_replicas中当前进程的等级。