本文介绍了使用PyTorch构建CNN模型进行天气分类的完整流程。首先设置GPU环境并导入天气数据集（cloudy/rainy/shine/sunrise四类），对图像进行统一尺寸调整和标准化处理。构建包含卷积层、BN层和全连接层的网络结构，使用交叉熵损失和SGD优化器。通过20轮训练，观察训练/测试集的准确率和损失曲线变化。整个流程涵盖了数据准备、模型构建、训练评估等关键步骤，可作为图像分类任务

本文介绍了使用PyTorch构建CNN模型进行CIFAR10图像分类的全过程。首先设置GPU环境并加载CIFAR10数据集，该数据集包含5万张32×32彩色训练图像和1万张测试图像，分为10个类别。构建了一个3层卷积+3层池化的CNN网络模型，相比MNIST模型增加了网络深度和参数规模。训练过程中采用交叉熵损失函数和SGD优化器，经过10轮训练后测试准确率达到54%。最后通过可视化展示了训练与测试