pytorch|深入浅出Pytorch系列（4）（实战--FashionMNIST时装分类）深度学习|分类

时装分类的任务 FashionMNIST数据集中包含已经预先划分好的训练集和测试集，其中训练集共60,000张图像，测试集共10,000张图像。每张图像均为单通道黑白图像，大小为32*32pixel，分属10个类别。
首先导入必要的包 import os
import numpy as np
import pandas as pd
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import Dataset, DataLoader
配置训练环境和超参数配置GPU
配置超参数如：batch_size, num_workers, learning rate, 以及总的epochs
数据读入和加载这里同时展示两种方式:
下载并使用PyTorch提供的内置数据集
从网站下载以csv格式存储的数据，读入并转成预期的格式
第一种数据读入方式只适用于常见的数据集，如MNIST，CIFAR10等，PyTorch官方提供了数据下载。这种方式往往适用于快速测试方法（比如测试下某个idea在MNIST数据集上是否有效）
第二种数据读入方式需要自己构建Dataset，这对于PyTorch应用于自己的工作中十分重要
同时，还需要对数据进行必要的变换，比如说需要将图片统一为一致的大小，以便后续能够输入网络训练；需要将数据格式转为Tensor类，等等。
模型设计 【pytorch|深入浅出Pytorch系列（4）（实战--FashionMNIST时装分类）】通过nn.module以及nn.sequential对网络结构进行搭建
设定损失函数多分类问题一般使用torch.nn模块自带的nn.CrossEntropy损失
设定优化器 Adam优化器较为常用
训练和测试（验证）常规做法是将训练和测试各自封装成函数，方便后续调用
两者的主要区别：