深度学习实战：PyTorch图像分类入门 📚🧠

什么是图像分类？

图像分类是计算机视觉的核心任务之一，目标是通过深度学习模型将输入图像分配到预定义的类别中。
例如：

输入一张猫的图片，输出类别为“猫”
输入一张汽车图片，输出类别为“汽车”

使用PyTorch实现图像分类的步骤 🧰

准备数据集

常用数据集：CIFAR-10、MNIST、ImageNet
数据预处理：归一化、数据增强、分训练集/验证集

示例代码：

from torchvision import datasets, transforms
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)

构建模型

使用经典架构：ResNet、VGG、MobileNet

自定义网络示例：

import torch.nn as nn
class SimpleCNN(nn.Module):
    def __init__(self):
        super().__init__()
        self.layers = nn.Sequential(
            nn.Conv2d(1, 16, kernel_size=3, stride=1, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2)
        )
    def forward(self, x):
        return self.layers(x)

训练与评估

使用优化器：SGD、Adam
损失函数：交叉熵损失 nn.CrossEntropyLoss()

训练循环示例：

model = SimpleCNN()
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
for epoch in range(5):
    for images, labels in train_loader:
        outputs = model(images)
        loss = criterion(outputs, labels)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

模型保存与加载
- 使用 torch.save() 保存训练好的模型
- 使用 torch.load() 加载模型进行推理

扩展学习 🌐