Как да създадем и обучим класификатор в PyTorch?

За създаването и обучението на класификатор в PyTorch трябва да изпълните няколко стъпки:

1. Определете модела — създайте клас, наследяващ се от nn.Module, и опишете архитектурата.
2. Подгответе данните — заредете и преобразувайте данните в DataLoader.
3. Определете функцията за загуба и оптимизатора.
4. Обучете модела — преминете през данните в цикъл, изчислете изхода, пребройте грешката, извършете обратното разпространение и актуализирайте теглата.

Пример за прост класификатор за задача с 10 класа:

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 за изображения 28x28

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

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

# Пример за цикъл на обучение
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()

Този код може да бъде разширен чрез добавяне на слоеве, функции за активиране, обработка на данни и др.