使用PyTorch实现卷积神经网络（CNN），对MNIST数据集中的手写数字进行分类

这是一个使用PyTorch实现的卷积神经网络（CNN），用于对MNIST数据集中的手写数字进行分类。

该网络由两个卷积层组成，其中间有ReLU激活函数和最大池化层。第一个卷积层有16个过滤器，过滤器大小为5x5，填充为2，以保持输出大小与输入相同。第二个卷积层有32个过滤器，与第一个卷积层具有相同的过滤器大小和填充。在第二个卷积层之后，输出被展平，并通过具有10个输出神经元的全连接层传递，对应于10个可能的数字。从全连接层的输出经过softmax激活函数，以获得最终分类概率。

使用Adam优化器以0.001的学习率和交叉熵损失函数进行训练。训练使用批量大小为50进行一次，测试时使用前2000个测试图像，将网络输出与真实标签进行比较，以获取模型的准确性。

以下是两层卷积的完整代码：

import torch
import torch.nn as nn
import torch.utils.data as Data
import torchvision  # 数据库模块
import matplotlib.pyplot as plt

torch.manual_seed(1)  # reproducible

# Hyper Parameters
EPOCH = 1  # 训练整批数据多少次, 为了节约时间, 我们只训练一次
BATCH_SIZE = 50
LR = 0.001  # 学习率
DOWNLOAD_MNIST = True  # 如果你已经下载好了mnist数据就写上 False

# Mnist 手写数字
train_data = torchvision.datasets.MNIST(
    root='./mnist/',  # 保存或者提取位置
    train=True,  # this is training data
    transform=torchvision.transforms.ToTensor(),  # 转换 PIL.Image or numpy.ndarray 成
    # torch.FloatTensor (C x H x W), 训练的时候 normalize 成 [0.0, 1.0] 区间
    download=DOWNLOAD_MNIST,  # 没下载就下载, 下载了就不用再下了
)
test_data = torchvision.datasets.MNIST(root='./mnist/', train=False)

# 批训练 50samples, 1 channel, 28x28 (50, 1, 28, 28)
train_loader = Data.DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True)

# 为了节约时间, 我们测试时只测试前2000个
test_x = torch.unsqueeze(test_data.data, dim=1).type(torch.FloatTensor)[
         :2000] / 255.  # shape from (2000, 28, 28) to (2000, 1, 28, 28), value in range(0,1)
test_y = test_data.test_labels[:2000]


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