使用Pytorch第三方学习框架，自行构建CNN模型对CIFAR-10数据集的样本进行分类，具体任务如下： （1）自行导入数据集，包含训练集和测试集； （2）自行设计数据预处理方式（例如：归一化、标准化等）； （3）设计CNN网络模型在CIFAR-10数据集的训练集上进行训练，要求自行设计CNN模型的层数（主要是卷积层、池化层等）和结构（包含卷积核数量、激活函数等）； （4）合理的设计训练批量和训练次数等参数，要求模型最终在测试集上分类成功率达到90%以上

好的，这是一个PyTorch的任务，我可以为您提供一个简单的代码框架，您可以在此基础上进行修改和完善。首先，需要导入 PyTorch 和 CIFAR-10 数据集：

import torch
import torchvision
import torchvision.transforms as transforms

# 设置数据预处理方式
transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

# 加载训练集和测试集
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64,
                                          shuffle=True, num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=64,
                                         shuffle=False, num_workers=2)

接下来，我们可以定义一个简单的卷积神经网络模型：

import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Net()

在此模型中，我们使用了两个卷积层和三个全连接层。接下来，我们可以定义一些训练参数，如学习率、优化算法等：

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

接下来，我们可以开始训练模型。在每个 epoch 中，我们将数据集分成多个 batch，然后将每个 batch 喂入模型中进行训练，并更新模型参数。在训练过程中，我们还可以输出一些信息，如当前的 epoch、batch 数、损失值等，以便于我们监控训练的进度和效果：

for epoch in range(10):  # 训练数据集共循环10次

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # 获取输入
        inputs, labels = data

        # 清除梯度
        optimizer.zero_grad()

        # 前向传播，反向传播，优化
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        # 输出统计信息
        running_loss += loss.item()
        if i % 200 == 199:    # 每 200 个 batch 输出一次统计信息
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 200))
            running_loss = 0.0

最后，我们可以在测试集上测试模型的准确率：

correct = 0
total = 0
with torch.no_grad():    # 在测试集上不需要计算梯度
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

这里是一个简单的 PyTorch 代码框架，您可以在此基础上进行修改和完善，以达到任务要求。