Jak vytvořit a natrénovat klasifikátor v PyTorch?

Pro vytvoření a nácvik klasifikátoru v PyTorch je třeba provést několik kroků:

1. Definovat model — vytvořit třídu, která dědí od nn.Module, a popsat architekturu.
2. Připravit data — načíst a transformovat data do DataLoader.
3. Definovat funkci ztráty a optimalizátor.
4. Naučit model — projít data v cyklu, vypočítat výstup, spočítat chybu, provést zpětnou propagaci a aktualizovat váhy.

Příklad jednoduchého klasifikátoru pro úlohu s 10 třídami:

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)  # příklad pro obrázky 28x28

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

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

# Příklad tréninkové smyčky
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()

Tento kód lze rozšířit přidáním vrstev, aktivačních funkcí, zpracování dat atd.