深度学习01-Pytorch实现mnist手写数字识别

>- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/0dvHCaOoFnW8SCp3JpzKxg) 中的学习记录博客**
>- **🍖 原作者：[K同学啊](https://mtyjkh.blog.csdn.net/)**

一、我的环境

• 电脑系統：Windows 10

• 语言环境：Python 3.8.0

• 编译器：Jupyter Lab

• 深度学习环境：torch==1.12.1+cu113 torchvision==0.13.1+cu113

二、 前期准备

1. 导入模块

2. 导入数据

  

torchvision.datasets是Pytorch自带的一个数据库，我们可以通过代码在线下载数据，这里使用的是torchvision.datasets中的MNIST数据集。下载mnist数据集，数据集存放在'data'下。并人为划分训练集和测试集。

使用dataloader加载数据，并设置好基本的batch_size。

批量为32，每批加载的样本大小为32

torch.utils.data.DataLoader是Pytorch自带的一个数据加载器，结合了数据集和取样器，并且可以提供多个线程处理数据集。加载训练集和测试集，其中训练集每轮训练后随机打乱元素。

3、数据可视化

运行结果如下：

三、构建简单的CNN网络

重点：卷积层池化层的分布，核子的大小，激活函数的选择，全连接神经网络的结构（权重），类继承的顺序。搭建cnn网络是为了提取图片特征，之后对特征图进行分类（10类中取概率最大的为图片数字的类别）。

四、 训练与测试模型

这里采用随机批量优化，采用反向传播算法。

这里的(pred.argmax(1) == y).type(torch.float).sum().item()表示计算预测正确的样本数量，并将其作为一个标量值返回。这通常用于评估分类模型的准确率或计算分类问题的正确预测数量。

测试函数和训练函数大致相同，但是由于不进行梯度下降对网络权重进行更新，所以不需要传入优化器。

训练5轮，计算每轮训练集和测试集的准确率和损失。

五、 结果可视化

运行结果如下图所示：

整体轮数可能不太够。

六、 个人总结

1.动手跟着教案敲一遍代码，把代码跑通

2.理解了代码各个部分的含义，补习了一些神经网络的基础知识

        

---