pytorch森林火灾图片识别，请输出代码，只有训练集和测试集没有验证集

在PyTorch中进行森林火灾图像识别的一个简单示例通常涉及卷积神经网络（CNN）。我们将使用预处理的图像数据、`torchvision.datasets`库中的`FruitDataset`（假设它有森林火灾类别），以及`torch.utils.data.DataLoader`来加载数据。由于没有提到具体的模型结构，这里我会给出一个基本的框架。请注意，这只是一个基础模板，实际应用中你可能需要调整参数和模型架构。

import torch
from torchvision import datasets, transforms
from torch.utils.data import DataLoader

# 数据预处理
transform = transforms.Compose([
    transforms.Resize((64, 64)),   # 可能需要调整尺寸
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.5], std=[0.5])  # 预测森林火灾的数据可能不需要归一化
])

# 加载训练集和测试集
train_dataset = ForestFireDataset(root='./data', train=True, transform=transform)
test_dataset = ForestFireDataset(root='./data', train=False, transform=transform)

# 分配批次大小（batch_size）
batch_size = 32

# 创建DataLoaders
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)

# 模型（例如，简单的卷积神经网络，你需要自定义这个部分）
class SimpleCNN(torch.nn.Module):
    ...  # 你需要定义网络结构

model = SimpleCNN()

# 定义损失函数和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters())

# 训练循环
for epoch in range(num_epochs):  # 更改num_epochs为你想要的轮数
    for images, labels in train_loader:
        ...
        # 进行前向传播，反向传播，更新权重等操作
        ...

# 测试模型
with torch.no_grad():
    model.eval()  # 设置为评估模式
    correct = 0
    total = 0
    for images, labels in test_loader:
        ...
        # 获取预测结果并计数
        ...

print(f"Accuracy on the test set: {correct / total * 100:.2f}%")