Как создать и обучить классификатор в PyTorch?

Для создания и обучения классификатора в PyTorch нужно выполнить несколько шагов:

1. Определить модель — создать класс, наследующийся от nn.Module, и описать архитектуру.
2. Подготовить данные — загрузить и преобразовать данные в DataLoader.
3. Определить функцию потерь и оптимизатор.
4. Обучить модель — пройтись по данным в цикле, вычислить выход, посчитать ошибку, выполнить обратное распространение и обновить веса.

Пример простого классификатора для задачи с 10 классами:

import torch
import torch.nn as nn
import torch.optim as optim

class SimpleClassifier(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc = nn.Linear(784, 10)  # пример для изображений 28x28

    def forward(self, x):
        return self.fc(x)

model = SimpleClassifier()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# Пример цикла обучения
for epoch in range(num_epochs):
    for inputs, labels in dataloader:
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

Этот код можно расширять, добавляя слои, функции активации, обработку данных и т.д.