Comment créer et entraîner un classificateur dans PyTorch?

Pour créer et entraîner un classificateur dans PyTorch, vous devez suivre plusieurs étapes:

1. Définir le modèle — créer une classe héritant de nn.Module et décrire l'architecture.
2. Préparer les données — charger et transformer les données dans un DataLoader.
3. Définir la fonction de perte et l'optimiseur.
4. Entraîner le modèle — parcourir les données en boucle, calculer la sortie, compter l'erreur, effectuer la rétropropagation et mettre à jour les poids.

Exemple d'un classificateur simple pour une tâche avec 10 classes:

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)  # exemple pour images 28x28

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

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

# Exemple de boucle d'entraînement
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()

Ce code peut être étendu en ajoutant des couches, des fonctions d'activation, le traitement des données, etc.