环境配置与基础教程：自定义数据集加载：手写 DataLoader 兼容超大标签文件与增量式数据读取优化

一、问题背景：当“标签文件”比“模型”还大

2025年全球AI市场规模已突破3900亿美元，日均Token调用量从2024年初的1000亿飙升至2026年3月的140万亿，两年多时间增长超千倍。伴随而来的，是训练数据规模的指数级膨胀——多模态数据集动辄TB级别，标签文件（如目标检测的JSON标注、文本分类的TSV映射表、推荐系统的用户行为日志）单文件超过数十GB已不再罕见。

传统数据加载方案正在遭遇三重困境：

1. 全量加载OOM：标准torch.utils.data.Dataset要求实现__len__和__getitem__方法，依赖随机访问，这意味着所有数据必须能在内存中被索引，或至少通过内存映射（memory-mapping）访问。一旦标签文件超过可用RAM，程序直接崩溃。
2. 启动延迟巨大：即使内存勉强装下，加载一个30GB的标签文件也可能需要数分钟，使每次调试都变成漫长的等待。
3. 多进程通信瓶颈：PyTorch DataLoader默认在num_workers>0时会通过pickle序列化将数据从worker进程传给主进程，超大标签对象在进程间传递时带宽消耗惊人。

根据PyTorch官方文档（截至2026年5月），DataLoader支持两种数据集范式——map-style dataset