在PyTorch中，DataLoader的collate_fn参数控制如何将多个数据样本（来自Dataset的__getitem__
方法的返回值）批处理（或“collate”）成一个批次。默认情况下，DataLoader使用一个默认的collate_fn
，这个函数会尝试将列表中的数据合并成批次。对于张量数据，它会将它们堆叠起来；对于序列数据（如列表），它会将它们合并；对于数值和布尔值，它会尝试将它们转换为张量。
因此，当你的Dataset的__getitem__方法返回包含布尔值的数据时，DataLoader通过其默认的collate_fn
将这些布尔值转换为了PyTorch布尔张量，即使你在__getitem__方法中没有显式进行这种转换。这是为了保持数据类型的一致性，便于在PyTorch中进行批量处理和运算。
pytorch中
batch - (11,batch_size)
batch实际上是一个包含两个或多个元素的元组（或者是列表），而不是直接包含数据项的单一对象。这种情况通常发生在当你的Dataset
对象返回的每个项是一个元组，比如(data, label)，而DataLoader将这些项集合成批次时。这时，len(batch)
实际上给出的是元组中元素的数量，通常对应于数据和标签（如果有其他元素，数字可能更大）。
在这种情况下，batch[0]可能是所有数据项的集合，而batch[1]是所有标签的集合。因此，len(batch[0])
实际上是批量大小，也就是每个批次中数据项的数量，这与你设置的batch_size相匹配。
举个例子，如果你的数据集返回的每个项是一个形如(image, label)的元组，那么经过DataLoader处理后，每个batch
将是形如([images], [labels])的结构，其中[images]和[labels]分别是图片和标签的列表（或张量）。在这种情况下：
len(batch)将返回2（因为batch包含两个元素：数据和标签）。len(batch[0])将返回批次中的数据项数量，即batch_size。 这解释了为什么你会观察到len(batch[0]) = batch_size，而不是len(batch) = batch_size的情况。
Chainer 中 batch - (batch_size, 11) 每个样本包括11个特征
人体举行框架的中心点（待定）
根据1s，10帧，预测1s，10帧 intput_len=10, offset_len=10, pred_len=10
如果想与bibtrap相比，需预测45fps
通过video_0014，video_0017 暂时感觉是30帧
- 待测试eval_cv.py（不想测试了，用不到）
train_py_epoch为正确代码 fpl总共有72800个轨迹