### 创建模型和转换函数 #### 使用 PyTorch 构建深度学习模型 在 PyTorch 中，创建神经网络模型通常继承 `nn.Module` 类并实现必要的方法。下面展示了一个简单的卷积神经网络 (CNN) 的定义： ```python import torch.nn as nn import torch.nn.functional as F class SimpleCNN(nn.Module): def __init__(self, num_classes=10): super(SimpleCNN, 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, num_classes) 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 ``` 此代码片段展示了如何构建一个基本的 CNN 模型[^1]。 #### 数据预处理与增强 为了准备输入到上述模型的数据，在机器学习或深度学习框架中经常使用变换（transforms）。这些操作可以包括但不限于图像缩放、裁剪、翻转等。以下是利用 torchvision 库中的 transforms 对 CIFAR-10 图像数据集应用一些常见变换的例子： ```python from torchvision import datasets, transforms transform_train = transforms.Compose([ transforms.RandomCrop(32, padding=4), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)), ]) trainset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform_train) ``` 这段脚本说明了怎样设置训练期间使用的图片变形序列。 对于测试/验证阶段，则可能不需要随机化处理，因此会采用更简单的方式来进行标准化： ```python transform_test = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)), ]) testset = datasets.CIFAR10(root='./data', train=False, download=True, transform=transform_test) ``` 这里提供了针对评估模式下样本所作调整的一个实例。