以下是一个示例代码，展示了如何在不使用数据加载器的情况下转换每个训练点：

import torch
from torchvision import transforms

# 假设有一个数据集，包含图像和标签
dataset = [(torch.randn((3, 32, 32)), 0), (torch.randn((3, 32, 32)), 1), ...]

# 定义转换函数
transform = transforms.Compose([
    transforms.ToPILImage(),  # 将Tensor转换为PIL图像
    transforms.Resize((64, 64)),  # 调整图像大小
    transforms.ToTensor(),  # 将PIL图像转换为Tensor
])

# 创建一个空的列表，用于存储转换后的数据
transformed_dataset = []

# 遍历数据集中的每个样本
for data, label in dataset:
    # 对每个样本应用转换函数
    transformed_data = transform(data)
    transformed_dataset.append((transformed_data, label))

# 输出转换后的数据集
for transformed_data, label in transformed_dataset:
    print(transformed_data.shape, label)

在这个示例中，我们首先定义了一个转换函数transform，该函数将图像从Tensor转换为PIL图像，然后调整图像大小，并最后将图像转换回Tensor。然后，我们创建一个空的列表transformed_dataset，用于存储转换后的数据。

接下来，我们遍历数据集中的每个样本，对每个样本应用转换函数，并将转换后的样本和标签添加到transformed_dataset中。

最后，我们遍历transformed_dataset，打印每个转换后的样本的形状和标签。