本竞赛为图像识别分类任务。我们提供了包含数据加载、模型构建和训练循环的基线代码。你的目标是在此基础上进行修改，以获得更高的模型表现。
数据集: 相比 MNIST，CIFAR-10 是一个更具挑战性的数据集，包含了 10 个类别的 60,000 张 32times32 彩色图像（例如飞机、汽车、鸟类、猫、狗等）。

模型: 你将使用卷积神经网络 (CNN)。CNN 是图像识别领域的标准模型，它通过卷积和池化操作来有效捕捉图像的局部特征。

任务: 在基线 CNN 模型的基础上，你可以探索以下方向来优化你的模型：

- 卷积层的数量和卷积核的大小

-  池化层的类型 (最大池化 vs. 平均池化)

- 添加 Dropout 层以防止过拟合

- 调整学习率和批次大小

- 尝试数据增强技术 (例如旋转、裁剪)