简而言之，这个参数就是用来设定dataloader最后输出的batch内容；dataloader一次性从dataset得到batch大小的数据，但这些数据本身是分散的，拿图片举例，比如我们batch为8，则我们得到的是8个[3,256,256]（256为图片形状，随便设置的）大小的张量，通过collate_fn这个参数转化为形状为[8，3，256，256]的张量作为dataloader的输出。
一般情况下，这个参数是不用设置的，那什么是不一般的情况呢，比如数据长度不同的时候，最明显的拿NLP里面的句子长度举例，每个batch里面的句子长度不一样，如果使用默认的collate_fn方法，就可能报错，这时候就需要自定义collate_fn参数。
而重写这个参数也很简单，就是自定义一个函数，假设我们这里给这个函数取名字叫做my_collate_fn(batch)，注意，只能有一个输入变量batch，batch包含了dataset里面getitem返回的所有值。
拿vqa任务来举例子，比如dataset的getitem每次返回一张图片的数据data,label,以及相应的question,answer，如果我们设定dataloader一次性获得8个大小的batch，则此时传入my_collate_fn的变量为一个list，这个list包含8个[data, label, question, answer],如果要使用默认的collate_fn，则要求，这8个[data, label, question, answer]里面，每一个变量的形状都是相同的，就是说8个data的形状相同，8个label的形状相同，8个question的形状，8个answer的形状也相同，这样才可以用默认的collate_fn参数，否则会报错。如果不满足的话就需要自定义collate_fn参数
举例如下，此时自定义的vqa_collate_fn的输入是list为8的变量，我们单独看其中的每个变量的第三个元素，可以发现，第0和第1个变量的第三个元素长度是不相同的，这时候如果使用默认的collate_fn就会报错，而在这里，我们自定义的函数里面，我们知识把每个变量的第三个元素放在一个list里面直接返回：
补充：collate_fn = operator.itemgetter(0), 表示每个样本独立返回，不用合并成一个tensor
