针对《动手学深度学习》第 3.5 节 “图像分类数据集 (Fashion-MNIST)” 末尾的练习题，我为你整理了详细的逻辑分析与解答代码。

1. 减少 batch_size（如设置为 1）对读取性能的影响
   解析：

• 性能下降：当 batch_size=1 时，Python 必须为每一个单独的图像启动一次数据加载循环并进行预处理。
• I/O 瓶颈：由于无法利用现代 CPU 的并行处理能力（SIMD）和磁盘的批量读取特性，系统开销（Overhead）将远大于实际处理数据的时间。
• 实验结果：你会发现读取完整个数据集的时间会从几秒钟激增到几分钟。

2. 数据迭代器的性能：数据读取速度 vs 模型训练速度
   解析：

• 关键原则：数据读取速度必须快于模型训练速度（梯度更新速度），否则 GPU 就会处于空闲等待状态（Starvation），造成算力浪费。
• 解决方案：
  • 增加 num_workers 以利用多进程并行读取。
  • 使用高速 SSD 存储数据集。
  • 在内存充足的情况下，将数据集预先加载到内存中。

3. 查阅框架的在线 API 文档，还有哪些其他数据集可用？
   解析：
   以 PyTorch 为例，torchvision.datasets 提供了非常丰富的内置数据集：

• 分类：CIFAR-10, CIFAR-100, ImageNet, CelebA, STL-10。
• 检测/分割：COCO, VOC, Cityscapes。
• 手写体：MNIST, EMNIST, KMNIST。

4. 动手代码实验：调整 batch_size 和 num_workers
   你可以运行以下测试脚本来直接观察性能变化：

import time
import torch
import torchvision
from torch.utils import data
from torchvision import transforms

def get_dataloader_workers():
    """使用4个进程来读取数据"""
    return 4

def load_data_fashion_mnist(batch_size, num_workers):
    trans = transforms.ToTensor()
    mnist_train = torchvision.datasets.FashionMNIST(
        root="../data", train=True, transform=trans, download=True)
    return data.DataLoader(mnist_train, batch_size, shuffle=True,
                           num_workers=num_workers)

测试不同配置下的速度

for b_size in [1, 64, 1024]:
    for n_work in [0, 4]:
        train_iter = load_data_fashion_mnist(b_size, n_work)
        start = time.time()
        for X, y in train_iter:
            continue
        print(f'Batch size: {b_size}, Workers: {n_work} -> Time: {time.time() - start:.2f} sec')

5. 图像变换 (Transforms) 的应用
   题目建议：针对图像分类，还有哪些常用的图像变换？
   除了本节提到的 ToTensor（将图像转为浮点张量并除以 255），常见的还有：

• 水平翻转 (RandomHorizontalFlip)：增加模型对方向的鲁棒性。
• 随机裁剪 (RandomResizedCrop)：让模型学会识别物体的局部特征。
• 标准化 (Normalize)：减去均值并除以方差，有助于模型更快收敛。
• 颜色抖动 (ColorJitter)：调整亮度、对比度和饱和度。
  下一步建议：
  数据准备工作完成后，最核心的环节就是 3.6 节的 Softmax 回归从零实现。在那一节，你将亲手编写一个循环，把今天加载的数据喂给模型，观察损失函数是如何下降的。
  你想让我先解释 交叉熵损失函数的代码实现，还是直接展示 完整的训练循环逻辑？