pyrorch安装到pycharm后，书写分类代码

在PyCharm中安装了PyTorch之后，你可以开始编写基于PyTorch的分类代码。以下是一个基本的例子，展示如何使用PyTorch创建一个简单的卷积神经网络（Convolutional Neural Network，CNN）用于图像分类：

# 首先导入所需的库
import torch
import torchvision
import torchvision.transforms as transforms

# 数据预处理
transform = transforms.Compose([
    transforms.Resize((224, 224)),  # 调整图片大小
    transforms.ToTensor(),         # 转换成张量
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))  # 归一化
])

# 加载数据集，比如MNIST手写数字数据集
trainset = torchvision.datasets.MNIST(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64,
                                          shuffle=True, num_workers=2)

# 定义模型（这里是一个简单的CNN结构）
model = torchvision.models.resnet18(pretrained=True)  # 使用预训练的ResNet模型
num_classes = 10  # MNIST有10个类别
model.fc = torch.nn.Linear(model.fc.in_features, num_classes)  # 修改最后一层全连接层

# 损失函数和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9)

# 训练模型
for epoch in range(10):  # 这里仅示例，实际可能需要更多epoch
    for i, (images, labels) in enumerate(trainloader):
        images = images.view(-1, 784)  # 将二维数组转为通道第一维
        optimizer.zero_grad()  # 清零梯度
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

# 测试代码省略，通常会有一个验证过程和评估性能的部分