能否给出一个使用PaddlePaddle进行垃圾分类的简单代码示例？

当然可以，使用PaddlePaddle（飞桨）进行图像分类，比如垃圾物品识别，通常会涉及卷积神经网络（CNN）。以下是一个简单的代码示例，它使用了飞桨的基础模块：

# 导入必要的库和模块
import paddle
from paddle.vision import transforms
from paddlex import transforms as pxx_transforms
import paddlex as pdx

# 数据预处理
transform = pxx_transforms.Compose([
    pxx_transforms.RandomHorizontalFlip(),
    pxx_transforms.RandomCrop(target_size=224),
    pxx_transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
])

# 加载数据集
train_dataset = pdx.datasets.ImageNet(data_dir='path_to_your_data', mode='train', transform=transform)
test_dataset = pdx.datasets.ImageNet(data_dir='path_to_your_data', mode='val', transform=transform)

# 定义模型结构，这里以ResNet为例
model = pdx.backbones.ResNet50(num_classes=10) # 假设我们有10种垃圾类别

# 设置优化器和损失函数
optimizer = paddle.optimizer.Adam(parameters=model.parameters(), learning_rate=0.001)
loss_fn = paddle.nn.CrossEntropyLoss()

# 训练循环
for epoch in range(epochs):  # 假设你想训练10个epoch
    for img, label in train_dataset():
        logits = model(img)
        loss = loss_fn(logits, label)
        optimizer.clear_grad()
        loss.backward()
        optimizer.step()

    # 每个epoch结束后验证模型
    acc = model.evaluate(test_dataset, return_dict=True)['accuracy']
    print(f"Epoch {epoch + 1}: Validation accuracy: {acc * 100:.2f}%")

# 使用训练好的模型进行预测
prediction = model.predict(test_dataset[0])  # test_dataset[0]代表一张测试图片
predicted_class = prediction.argmax(axis=-1).numpy()[0]

注意替换`path_to_your_data`为实际的数据目录，并根据需要调整网络架构、学习率等超参数。在这个例子中，我们假设已经有一个预处理好的ImageNet垃圾分类数据集。