利用pytorch手写数字识别

使用PyTorch进行手写数字识别通常涉及以下步骤：

1. 准备数据集：MNIST是一个常用的手写数字数据集，它包含了0到9的手写数字图片。PyTorch提供了直接下载MNIST数据集的工具。

2. 定义模型：定义一个神经网络模型来对数字图片进行分类。

3. 训练模型：使用MNIST训练数据来训练模型。

4. 评估模型：使用MNIST测试数据来评估模型的性能。

下面是一个简单的例子，展示如何使用PyTorch进行手写数字识别：

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
from torch.utils.data import DataLoader

# 1. 准备数据集
batch_size = 64
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
])

train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)

test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)

# 2. 定义模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(28*28, 500)
        self.fc2 = nn.Linear(500, 10)

    def forward(self, x):
        x = x.view(-1, 28*28)
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

model = Net()

# 3. 训练模型
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)

num_epochs = 5
for epoch in range(num_epochs):
    model.train()
    running_loss = 0.0
    for batch_idx, (inputs, targets) in enumerate(train_loader):
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, targets)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
    print(f'Epoch {epoch+1}, Loss: {running_loss/len(train_loader)}')

# 4. 评估模型
model.eval()
total_correct = 0
with torch.no_grad():
    for inputs, targets in test_loader:
        outputs = model(inputs)
        _, predicted = torch.max(outputs, 1)
        total_correct += (predicted == targets).sum().item()

print(f'Test accuracy: {total_correct/len(test_dataset)*100:.2f}%')

在这个例子中，我们首先定义了数据转换和加载器。然后，我们定义了一个简单的全连接神经网络模型。接着，我们使用交叉熵损失函数和随机梯度下降优化器来训练模型。最后，我们在测试集上评估了模型的性能。

请注意，这只是一个简单的例子。在实际应用中，你可能需要更复杂的网络结构、数据增强、正则化等技术来提高模型的性能。