PyTorch的数据加载方式有多种，常用的包括以下几种：
torch.utils.data.Dataset：该类是PyTorch中的抽象类，用于表示数据集。用户可以根据自己的数据特点，继承该类并实现自己的数据集类。需要实现的方法包括__getitem__和__len__，分别用于获取数据和返回数据集的大小。
torch.utils.data.DataLoader：该类用于将数据集加载到模型中。DataLoader可以设置批次大小（batch size）、线程数（num_workers）、是否进行数据打乱（shuffle）、是否使用GPU等参数。通过DataLoader加载的数据会被自动划分为mini-batch，并提供多线程异步加载数据的功能。
torchvision.datasets：PyTorch提供了一些常见的数据集，如MNIST、CIFAR-10等。这些数据集可以通过torchvision.datasets模块直接加载，并且已经进行了预处理，可以直接用于训练模型。
torchvision.transforms：该模块提供了一系列数据预处理的操作，可以对输入数据进行常见的变换，例如裁剪、缩放、翻转、标准化等。可以通过组合不同的transform来对数据进行预处理。
总结来说，PyTorch的数据加载方式可以通过自定义数据集类和DataLoader来加载用户自定义的数据，也可以使用torchvision.datasets加载已有的常见数据集，同时可以使用torchvision.transforms对数据进行预处理。