手写数字识别 - 使用LeNet-5或其他CNN模型在MNIST数据集上进行手写数字识别。

目录

1. 准备数据集

2. 构建LeNet-5模型

3. 训练LeNet-5模型

4. 评估模型性能

5. 可视化预测结果

6. 总结与拓展

---

在本篇博客中，我们将介绍如何使用LeNet-5模型在MNIST数据集上进行手写数字识别。LeNet-5是一种经典的卷积神经网络（CNN）模型，由Yann LeCun等人于1998年提出。虽然现在有很多更新的深度学习模型，但LeNet-5在理解CNN基本结构和原理方面仍然非常有用。

1. 准备数据集

MNIST数据集包含60000个训练样本和10000个测试样本，每个样本是一个28x28的灰度图像，代表0到9的手写数字。我们将使用PyTorch的内置函数来加载MNIST数据集。

首先，安装PyTorch：

pip install torch torchvision

接着，加载数据集：

import torch
from torchvision import datasets, transforms

# 数据预处理: 转换为Tensor并进行归一化
transform = transforms.Compose([
    transforms.Resize((32, 32)),
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
])

# 加载MNIST数据集
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
test_data