Hoe maak en train je een classifier in PyTorch?

Om een classifier te maken en te trainen in PyTorch, moet je verschillende stappen volgen:

1. Definieer het model — maak een klasse die erft van nn.Module en beschrijf de architectuur.
2. Bereid de gegevens voor — laad en transformeer de gegevens in een DataLoader.
3. Definieer de verliesfunctie en optimizer.
4. Train het model — loop door de gegevens, bereken de output, tel de fout, voer backpropagation uit en update de gewichten.

Voorbeeld van een eenvoudige classifier voor een taak met 10 klassen:

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)  # voorbeeld voor 28x28 afbeeldingen

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

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

# Voorbeeld van een trainingslus
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()

Deze code kan worden uitgebreid met lagen, activatiefuncties, gegevensverwerking, enzovoort.