pytorch图像分类能识别多类吗

是的，PyTorch的图像分类功能可以识别多类。在PyTorch中，可以使用卷积神经网络（CNN）进行图像分类任务。对于多类分类问题，需要在模型的最后一层使用softmax函数来输出每个类别的概率分布。

以下是一个简单的PyTorch图像分类模型的示例，用于解决多类分类问题：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义一个简单的CNN模型
class SimpleCNN(nn.Module):
    def __init__(self, num_classes):
        super(SimpleCNN, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=32, kernel_size=3, stride=1, padding=1)
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.conv2 = nn.Conv2d(in_channels=32, out_channels=64, kernel_size=3, stride=1, padding=1)
        self.fc1 = nn.Linear(in_features=64 * 25 * 25, out_features=1024)
        self.relu2 = nn.ReLU()
        self.fc2 = nn.Linear(in_features=1024, out_features=num_classes)
        self.dropout = nn.Dropout(0.5)
        
    def forward(self, x):
        x = self.pool(self.relu(self.conv1(x)))
        x = self.pool(self.relu(self.conv2(x)))
        x = x.view(-1, 64 * 25 * 25)
        x = self.relu2(self.fc1(x))
        x = self.dropout(x)
        x = self.fc2(x)
        return x

# 创建模型实例
num_classes = 10  # 假设有10个类别
model = SimpleCNN(num_classes)

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 训练模型
for epoch in range(num_epochs):
    for images, labels in train_loader:
        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

在这个示例中，我们定义了一个包含两个卷积层和一个全连接层的简单CNN模型。最后一层使用了全连接层，其输出大小等于类别数（num_classes）。在训练过程中，我们使用了交叉熵损失函数（nn.CrossEntropyLoss()）来计算损失，并使用Adam优化器来更新模型参数。