PyTorch: CNN实战MNIST手写数字识别_pytorch cnn实战之mnist手写数字识别示例-CSDN博客

本文链接：https://blog.csdn.net/devcy/article/details/89401940

使用PyTorch构建CNN模型，针对MNIST数据集进行手写数字识别的实战，通过训练和计算损失，最终达到98%的识别准确率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

PyTorch: CNN实战MNIST手写数字识别

cnn
导包
加载数据
构造CNN
训练并计算损失
结果

cnn

卷积神经网络CNN的结构一般包含这几个层： 
输入层：用于数据的输入 
卷积层：使用卷积核进行特征提取和特征映射 
激励层：由于卷积也是一种线性运算，因此需要增加非线性映射 
池化层：进行下采样，对特征图稀疏处理，减少数据运算量。 
全连接层：通常在CNN的尾部进行重新拟合，减少特征信息的损失 
输出层：用于输出结果

导包

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.autograd import Variable

换了一台电脑，这台只装了pytorch，没有装Torchvision，重新安装Torchvision

conda install torchvision

D:\document\ML\camp>conda install torchvision
Fetching package metadata ...............

PackageNotFoundError: Packages missing in current channels:

  - torchvision

找不到相应的package
换官网上安装命令conda install pytorch-cpu torchvision-cpu -c pytorch，报http请求错误

D:\document\ML\camp>conda install pytorch-cpu torchvision-cpu -c pytorch
Fetching package metadata ...
CondaHTTPError: HTTP 000 CONNECTION FAILED for url <https://conda.anaconda.org/pytorch/win-64/repodata.json>
Elapsed: -

删掉中间的pytorch

D:\document\ML\camp>conda install torchvision-cpu -c pytorch
Fetching package metadata .................
Solving package specifications: .

Package plan for installation in environment C:\ProgramData\Anaconda3:

The following NEW packages will be INSTALLED:

    torchvision-cpu: 0.2.2-py_3 pytorch

Proceed ([y]/n)? y

torchvision-cp 100% |###############################| Time: 0:00:01  23.94 kB/s

装好了

加载数据

# MNIST Dataset
train_dataset = datasets.MNIST(root='./data/',
                               train=True,
                               transform=transforms.ToTensor(),
                               download=True)

test_dataset = datasets.MNIST(root='./data/',
                              train=False,
                              transform=transforms.ToTensor())

# Data Loader (Input Pipeline)
train_loader = torch.utils.data.DataLoader(dataset=train_dataset,
                                           batch_size