基于给定的数据集，使用卷积神经网络完成分类任务。数据集：Fashion-MNIST。具体要求（包括但不限于）： （1）数据预处理：自行决定是否需要进行数据预处理； （2）定义算法模型; （3）训练和评估模型; （4）超参数调优：算法中涉及到超参数的，要进行调优。

好的，这是一个典型的图像分类任务，我们可以使用卷积神经网络来完成该任务。下面是一些基本的步骤：

1. 数据预处理：Fashion-MNIST 数据集已经被预处理为 28x28 像素的图像，每个像素的值在0到255之间。我们需要将它们缩放到0到1之间，并将其转换为张量形式。

2. 定义算法模型：我们可以使用卷积神经网络来定义模型，包括卷积层、池化层、全连接层等。在这里，我们可以定义一个简单的卷积神经网络，例如：

import torch.nn as nn

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, kernel_size=3)
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3)
        self.fc1 = nn.Linear(64 * 5 * 5, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = F.relu(x)
        x = self.pool(x)
        x = self.conv2(x)
        x = F.relu(x)
        x = self.pool(x)
        x = x.view(-1, 64 * 5 * 5)
        x = self.fc1(x)
        x = F.relu(x)
        x = self.fc2(x)
        return x

3. 训练和评估模型：我们可以使用 PyTorch 来训练我们的模型。我们需要定义损失函数和优化器，并使用训练集来训练模型。在训练过程中，我们可以使用验证集来进行评估，以便调整超参数。

import torch.optim as optim

model = CNN()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)

for epoch in range(10):
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        
    # 在验证集上评估模型
    correct = 0
    total = 0
    with torch.no_grad():
        for data in testloader:
            images, labels = data
            outputs = model(images)
            _, predicted = torch.max(outputs.data, 1)
            total += labels.size(0)
            correct += (predicted == labels).sum().item()

    print('Epoch %d: Loss=%.3f, Accuracy=%.3f' % 
          (epoch+1, running_loss/len(trainloader), correct/total))

4. 超参数调优：我们可以尝试不同的超参数来提高模型的性能，例如学习率、优化器、批次大小等。我们可以使用网格搜索或随机搜索来找到最佳超参数组合。