Πώς δημιουργείτε και εκπαιδεύετε έναν ταξινομητή στο PyTorch;

Για τη δημιουργία και εκπαίδευση ενός ταξινομητή στο PyTorch, πρέπει να ακολουθήσετε μερικά βήματα:

1. Ορίστε το μοντέλο — δημιουργήστε μια κλάση που κληρονομεί από το nn.Module και περιγράψτε την αρχιτεκτονική.
2. Ετοιμάστε τα δεδομένα — φορτώστε και μετασχηματίστε τα δεδομένα σε ένα DataLoader.
3. Ορίστε τη συνάρτηση απώλειας και τον βελτιστοποιητή.
4. Εκπαιδεύστε το μοντέλο — διατρέξτε τα δεδομένα σε έναν βρόχο, υπολογίστε την έξοδο, μετρήστε το σφάλμα, πραγματοποιήστε την οπίσθια διάδοση και ενημερώστε τα βάρη.

Παράδειγμα απλού ταξινομητή για μια εργασία με 10 κλάσεις:

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)  # παράδειγμα για εικόνες 28x28

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

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

# Παράδειγμα βρόχου εκπαίδευσης
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()

Αυτός ο κώδικας μπορεί να επεκταθεί προσθέτοντας στρώματα, λειτουργίες ενεργοποίησης, επεξεργασία δεδομένων κ.λπ.