在PyTorch中，可以使用torchvision.datasets模塊來加載常用的數據集。該模塊提供了對以下常用數據集的支持：

1. MNIST：手寫數字數據集。
2. FashionMNIST：時尚物品數據集。
3. CIFAR10/CIFAR100：包含10/100個類別的彩色圖像數據集。
4. ImageNet：用于圖像分類的大型數據庫。
5. COCO：用于目標檢測、圖像分割和圖像標注的數據集。

加載數據集的一般步驟如下：

1. 導入必要的模塊：

from torchvision import datasets

2. 定義數據集的變換（可選）：

from torchvision import transforms

transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])

這里的變換是將圖像轉換為張量，并進行歸一化處理。

3. 加載數據集：

train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True)
test_dataset = datasets.MNIST(root='./data', train=False, transform=transform, download=True)

這里的root參數指定數據集的下載和存儲路徑，train參數表示加載訓練集還是測試集，transform參數指定對數據集進行的變換，download參數表示是否下載數據集（僅在第一次運行時需要下載）。

4. 創建數據加載器：

from torch.utils.data import DataLoader

train_loader = DataLoader(dataset=train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(dataset=test_dataset, batch_size=64, shuffle=False)

這里的batch_size參數指定每個批次的樣本數，shuffle參數表示是否對數據進行隨機打亂。

通過上述步驟，就能夠加載和使用PyTorch中的數據集進行訓練和測試。