14.多层感知机代码实现

要开始使用PyTorch进行手写数字识别（通常使用MNIST数据集），你可以按照以下步骤进行：

1. 安装PyTorch

首先，确保你已经安装了PyTorch。你可以通过PyTorch的官方网站（https://pytorch.org/get-started/locally/）获取安装指南，它提供了基于pip、conda或Docker的安装选项。

2. 准备数据集

MNIST数据集是一个广泛使用的手写数字识别数据集，包含60,000个训练样本和10,000个测试样本。你可以使用torchvision.datasets模块来下载和加载MNIST数据集。

3. 定义网络结构

对于手写数字识别，一个简单的多层感知机（MLP）或卷积神经网络（CNN）都可以工作得很好。使用PyTorch的nn.Module来定义你的网络结构。

4. 定义损失函数和优化器

选择一个合适的损失函数（如交叉熵损失）和优化器（如Adam优化器）来训练你的模型。

5. 编写训练循环

编写一个训练循环，包括数据加载、前向传播、计算损失、反向传播和优化器步骤。

6. 测试模型

在测试集上评估你的模型性能，通常使用准确率作为评价指标。

7. 保存和加载模型

训练完成后，保存你的模型以便将来使用。在需要时，加载模型并进行推理。

示例代码框架

以下是一个简单的示例代码框架，用于说明如何使用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  
  
# 数据预处理  
transform = transforms.Compose([  
    transforms.ToTensor(),  
    transforms.Normalize((0.5,), (0.5,))  
])  
  
# 加载数据集  
train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True)  
test_dataset = datasets.MNIST(root='./data', train=False, transform=transform)  
  
# 创建数据加载器  
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)  
test_loader = DataLoader(test_dataset, batch_size=1000, shuffle=False)  
  
# 定义多层感知机结构  
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)  # 展平图片  
        x = torch.relu(self.fc1(x))  
        x = self.fc2(x)  
        return torch.log_softmax(x, dim=1)  
  
# 初始化网络、损失函数和优化器  
net = Net()  
criterion = nn.CrossEntropyLoss()  
optimizer = optim.SGD(net.parameters(), lr=0.01, momentum=0.5)  
  
# 训练网络  
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")  
net.to(device)  
  
for epoch in range(2):  
    running_loss = 0.0  
    for i, data in enumerate(train_loader, 0):  
        # 获取输入和标签  
        inputs, labels = data[0].to(device), data[1].to(device)  
  
        # 梯度清零  
        optimizer.zero_grad()  
  
        # 前向传播  
        outputs = net(inputs)  
        loss = criterion(outputs, labels)  
  
        # 反向传播和优化  
        loss.backward()  
        optimizer.step()  
  
        # 打印统计信息  
        running_loss += loss.item()  
        if i % 2000 == 1999:  # 每2000个mini-batches打印一次  
            print('[%d, %5d] loss: %.3f' %  
                  (epoch + 1, i + 1, running_loss / 2000))  
            running_loss = 0.0  
  
print('Finished Training')  
  
# 测试网络  
correct = 0  
total = 0  
with torch.no_grad():  
    for data in test_loader:  
        images, labels = data[0].to(device), data[1].to(device)  
        outputs = net(images)  
        _, predicted = torch.max(outputs.data, 1)  
        total += labels.size(0)  
        correct += (predicted == labels).sum().item()  
  
print('Accuracy of the network on the 10000 test images: %d %%' % (  
    100 * correct / total))  
  
# 保存模型  
torch.save(net.state_dict(), 'mnist_mlp.pth')

这段代码定义了一个简单的多层感知机模型，它将28x28像素的图片展平为一维向量，然后送入两个全连接层进行分类。在训练过程中，我们同样使用交叉熵损失和SGD优化器。测试时，我们计算模型在测试集上的准确率，并将模型参数保存为一个文件。

 

你可以参考PyTorch的官方文档和教程（https://pytorch.org/tutorials/） 以及GitHub上的开源项目来深入了解更多细节和最佳实践。