在PyTorch中，图片的加载通常通过使用torchvision库的ImageFolder或Dataset以及DataLoader类来完成。下面是一个简单示例，其中包括了图片的加载、转换以及批量读取：

import torch  
from torchvision import datasets, transforms  
# 定义一个transform来预处理你的数据  
# 这里只做了ToTensor()转换，将图片从PIL格式转为Tensor，并将像素值正规化至[0,1]。  
transform = transforms.Compose([transforms.ToTensor()])  
# 使用ImageFolder加载数据，假设'path/to/data_directory'是你的数据目录，  
# 并且该目录下有各个类别的子目录，每个子目录中是属于同一类别的所有图片。  
dataset = datasets.ImageFolder('path/to/data_directory', transform=transform)  
# 创建一个DataLoader，它可以高效地生成批次数据进行训练  
dataloader = torch.utils.data.DataLoader(dataset, batch_size=32, shuffle=True)  
# 你可以这样遍历批次数据：  
for inputs, labels in dataloader:  
    # 在这里，inputs是一个尺寸为[batch_size, channels, height, width]的张量，  
    # labels是一个尺寸为[batch_size]的张量。  
    # 现在你可以在这里使用你的模型进行预测或训练等操作...  
    pass  

请注意，你需要将'path/to/data_directory'替换为你的实际图片数据目录。在这个目录下，应该有若干个子目录，每个子目录的名字是类别标签，里面包含属于该类别的所有图片。

此外，transforms.Compose()函数允许你组合多种预处理操作。除了ToTensor()，还有很多其他的转换可以使用，例如Normalize()、Resize()、RandomCrop()等，可以根据需求进行添加。