分类

模型类构建
定义 Lam 神经网络类，继承 nn.Module，在 init 方法中通过 nn.Sequential 搭建卷积神经网络结构，包含多层 Conv2d 卷积、MaxPool2d 池化、Flatten 展平及 Linear 全连接层，实现从 3 通道图像输入到 10 分类输出的特征提取与映射；编写 forward 方法，完成正向传播逻辑，保障模型可接收输入并输出预测结果 。同时，编写 if name == 'main': 测试代码，用 torch.ones 生成模拟输入，验证模型前向计算时输出维度的合理性，确保模型结构无基础错误 。

模型训练脚本开发
基于 Lam 模型，编写训练流程代码。加载 CIFAR10 数据集，用 torchvision.datasets.CIFAR10 获取训练集与测试集，通过 DataLoader 实现数据批量加载；配置损失函数为 CrossEntropyLoss、优化器为 SGD；设置训练轮次 epoch = 50 等参数，编写训练循环，在训练阶段开启模型 train 模式，逐批处理数据，计算损失、反向传播更新参数，定期输出训练日志；测试阶段切换模型 eval 模式，计算测试集损失与准确率，完整实现模型训练闭环 。

编写推理代码，加载训练好的模型（lam_49_gpu.pth ），处理输入图像（读取、转换通道、Resize、转 Tensor 等），通过 model.eval() 与 torch.no_grad() 保障推理阶段的稳定性，输出预测类别，验证模型实际应用时的推理能力 。

当训练至第100轮时，准确率和Loss均提升