基于PyTorch的深度学习模型，主要用于图像分类任务，设计数据预处理、数据集定义、半监督学习、模型构建以及训练和验证等部分。
首先导入所需的库：
其中包括torch, torch.nn, torch.utils.data用于构建和训练神经网络。
numpy, random处理数据。
PIL.Image读取图片。
tqdm可以显示进度条，方便观察数据加载进度。
torchvision.transforms处理图像数据。
matplotlib.pyplot用于绘制训练曲线。
接着设定了随机种子，作用是确保每次运行的结果一致，避免训练时的随机性带来的不确定性。
设定图像的尺寸为常用的224 x 224.
然后定义数据增强和预处理的函数，RandomResizedCrop(224)，随机裁剪并调整到224x224，RandomRotation(50)随机旋转图片，角度范围为-50°~50°，ToTensor()转化为PyTorch张量。
训练集进行数据增强，验证集仅转化为Tensor，不进行数据增强。
接下来定义数据集类：继承Dataset，用于自定义数据集加载。mode决定数据集的类别，"train"是训练集，带有标签，"val"是验证集，带有标签。"semi"是半监督学习数据集，无标签。
接下来是数据加载，半监督模式下，只读取图片，无标签。
其中半监督数据集的模型，对无标签数据进行预测，并筛选出置信度大于0.99的数据作为伪标签。
下面定义CNN分类模型，Conv2d()为卷积层，将输入通道从3变成64，MaxPool2d()池化，减少计算量。
最后开始训练与验证的函数，训练模型，包括：
train_loader：训练数据
val_loader：验证数据
no_label_loader：半监督数据
loss：损失函数
optimizer：优化器
epochs：训练轮次
通过这个函数进行前向传播、计算损失、反向传播、更新参数。
