pytorch深度学习：手写数字识别(实战项目一)

经过前边基础知识的铺垫，已经足够完成深度学习中的"hello world"项目：手写数字识别。这节课就是利用pytorch完成这个实战任务，它的本质上是个10分类问题。

1.MNIST数据集

mnist手写字数据集是机器学习领域经典的数据集，这里就不详细介绍了。它的每个样本都是(28,28)的矩阵构成，每个数据点代表这个点的灰度值，标签则是0-9这十个数字。

数据集又分为训练集和测试集，训练集由60000个样本组成，测试集由10000个样本组成。我们使用批数据处理将数据打包为训练集和测试集，Batch_size=200。

运行下列代码，第一次会从网络上自动下载mnist数据集。

# 载入mnist数据集，若没有则会自动从网上下载
train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=True, download=True,
                   transform=transforms.Compose([
                       transforms.ToTensor(),
                       transforms.Normalize((0.1307,), (0.3081,))
                   ])),
    batch_size=batch_size, shuffle=True)

test_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=False, transform=transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.1307,), (0.3081,))
    ])),
    batch_size=batch_size, shuffle=True)

我们利用下列代码展示数据集样本：

x, y = next(iter(train_loader))
print(x.shape, y.shape, x.min(), x.max())
plot_image(x, y, 'image sample')

展示的结果如下：

2. 神经网络模型的搭建

这次使用的是具有3层全连接层的神经网络，激活函数为relu()。

-输入层神经单元数：784（28*28）。
-输出层神经单元数：10（分10类）。
-隐藏层神经单元数：64（自己定义）。

input_dim = 28*28
hidden_dim = 64
out_dim = 10

搭建网络的过程就不再赘述了，直接看代码：

class Net(nn.Module):
    def __init__(self,n_featuers,n_hidden,n_outputs):
        super(Net,self).__init__()
        self.fc1 = nn.Linear(n_featuers,n_hidden)
        self.fc2 = nn.Linear(n_hidden,n_hidden)
        self.fc3 = nn.Linear(n_hidden,n_outputs)

    def forward(self,x):
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))