Pytorch实战项目：手写数字识别

1.1MNIST数据集

        MNIST数据集主要是一些手写的数字的图片及对应标签，该数据集的图片共有10类，对应的阿拉伯数字为0-9；MNIST数据集有两类图像：训练集和测试集

1.2导入数据集

        torchvision包主要由3个子包组成，分别是models，datasets和transforms

# 导入数据集
train_loader = torch.utils.data.DataLoader(
    datasets.MNIST(root='', # root表示数据加载的相对目录
                   train=True, # train为True时加载数据库的训练集，为False时加载测试集
                   download=True, # download表示是否自动下载
                   transform= transforms.Compose([ # transform表示对数据进行预处理的操作
                       transforms.ToTensor(), # 把一个取值范围是[0，255]的PIL.Image或者shape为（H，W，C）的numpy.ndarray，
                                              # 转换成形状为[C，H，W]，取值范围是[0，1.0]的torch.FloatTensor
                       transforms.Normalize((0.1307,), (0.3081,)) # 实现归一化，不同数据集中图像通道的均值（mean）和标准差（std）
                                                                  # 是不一样的
                   ])),
    batch_size= 64, # 表示该批次的数据量
    shuffle= True # 表示是否洗牌
)
test_loader = torch.utils.data.DataLoader(
    datasets.MNIST(root='', # root表示数据加载的相对目录
                   train=False, # train为True时加载数据库的训练集，为False时加载测试集
                   transform= transforms.Compose([ # transform表示对数据进行预处理的操作
                       transforms.ToTensor(),
                       transforms.Normalize((0.1307,), (0.3081,))
                   ])),
    batch_size= 64, # 表示该批次的数据量
    shuffle= True # 表示是否洗牌
)

2.1定义神经网络

        一个典型的神经网络训练过程包括定义神经网络、前向传播、计算损失、反向传播、更新参数 。torch.nn是专门为神经网络设计的模块化接口，可以用来定义和运行神经网络

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        # 输入图片为单通道，输出为六通道，卷积核大小为5 * 5
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.conv2 = nn.Conv2d(6, 16, 5)
        # 把16 * 4 * 4的Tensor转为一个120维的Tensor，因为后面要通过全连接层
        self.fc1 = nn.Linear(16 * 4 * 4, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)
    def forward(self, x):
        # 在（2，2）的窗口上进行池化
        x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
        x = F.max_pool2d(F.relu(self.conv2(x)), 2) # (2,2)也可以直接写成数字2
        x = x.view(-1, self.num_flat_features(x))

        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)

        return x
    def num_flat_features(self, x):
        size = x.size()[1:]
        num_features = 1
        for s in size:
            num_features *= s
        return num_features