基于pytorch框架的手写数字识别（保姆级教学）

1、前言

       本文基于PyTorch框架，采用CNN卷积神经网络实现MNIST手写数字识别，不仅可以在GPU上，同时也可以在CPU上运行。方便即使只有CPU的小伙伴也可以运行该模型。本博客手把手教学，如何手写网络层（3层），以及模型训练，详细介绍各参数含义与用途。

2、模型源码解读

        该模型针对初级入门小白，因此只写了3层卷积层，使用的数据集是pytorch自带的数据集MNIST。

2.1 神经网络层定义

      CNN类继承自nn.Module，定义了一个包含三个卷积层和一个全连接层的卷积神经网络。每个卷积层后跟有ReLU激活函数和最大池化层（除了最后一个卷积层）。最后，通过一个全连接层进行分类。源代码如下，其中，注释中有对源代码中参数进行详细介绍，需要注意的是，MNIST数据集中图像，图像大小均为28*28，因此进过2次池化处理，变为7*7（28/2/2）。

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Sequent