### 创建和使用数据集进行分类任务 在 PyTorch 中，`torchvision.datasets` 和 `torch.utils.data.DataLoader` 提供了一种方便的方式来加载标准的数据集并对其进行预处理。对于图像分类任务，可以利用这些工具快速设置训练环境。 #### CIFAR-10 数据集上的卷积神经网络(CNN) 当涉及到像 CIFAR-10 这样的图像识别问题时，通常会构建一个多层感知机模型或更复杂的 CNN 来提取特征并向量表示输入图片[^1]。下面是一个简单的例子展示如何定义一个基本的CNN架构： ```python import torch.nn as nn import torch.nn.functional as F class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() # 卷积层 self.conv1 = nn.Conv2d(3, 6, 5) self.pool = nn.MaxPool2d(2, 2) self.conv2 = nn.Conv2d(6, 16, 5) # 计算线性层的输入特征个数 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 ``` 这段代码展示了如何创建一个具有两层卷积操作加上最大池化的简单 CNN 结构，并最终连接到全连接层完成分类工作。注意，在初始化过程中已经指定了每一层的具体参数尺寸；而在前向传播(`forward`)函数里，则实现了具体的运算逻辑。 #### 文本分类任务中的 AG_NEWS 数据集 针对文本类别的预测问题，比如新闻文章所属类别判断，可借助于 `torchtext` 库提供的功能来简化流程。以下是关于怎样准备 AG_NEWS 数据集的一个片段： ```python from torchtext.datasets import AG_NEWS from torchtext.data.utils import get_tokenizer from collections import Counter from torchtext.vocab import Vocab tokenizer = get_tokenizer("basic_english") train_iter = iter(AG_NEWS(split='train')) counter = Counter() for (label, line) in train_iter: counter.update(tokenizer(line)) vocab = Vocab(counter, min_freq=1) ``` 上述脚本首先设置了基础英语分词器，接着遍历整个训练集合统计单词频率，最后基于此建立了词汇表对象以便后续编码转换之需[^2]。