pytorch 预测手写体数字_Pytorch实战（一）——MNIST手写数字识别

MNIST手写数字识别项目因为数据量小、识别任务简单而成为图像识别入门的第一课，MNIST手写数字识别项目有如下特点：

识别难度低，即使把图片展开为一维数据，且只使用全连接层也能获得超过98%的识别准确度；

计算量小，不需要GPU加速也可以快速训练完成；

数据易得，教程易得。

本文中的数据来源于Kaggle网站，并非Pytorch自带的数据集(个人认为使用Pytorch封装好的MNIST数据集不利于入门)。接下来我们展示不同思路下的MNIST识别结果。

1. 将MNIST视为回归问题和分类问题的差别

一般来说，我们认为MNIST是一个图像分类问题，而非回归问题，因为图像的特征并没有随着0-9数字增大而显现出的对应的特征值变化关系，即图像中的像素值与数字没有表现出相关关系。

全连接回归模式(使用MSELoss)准确率：

全连接回归网络

排行榜上清一色的0.9以上，这个成绩真的拿不出手啊。

全连接分类模式(使用CrossEntropy)准确率：

全连接分类模式——两次迭代

全连接分类模式——两百次迭代

使用分类模式，仅需两次迭代就能达到0.93的准确率，并且200次迭代之后，准确率达到了0.97。

2. 卷积神经网络

将图片一维展开尚且能达到0.97的准确率，如果让图片保持原状，使用卷积神经网络来识别能够得到什么结果呢。

卷积神经网络准确率：

卷积神经网络准确率

项目包含两个py文件，mnist_models.py和main.py，下面是mnist_models.py中的源代码：

import torch as t

def to_image(data):

data = data.view(-1,1,28,28)

return data

class fc_net(t.nn.Module):

'''

全连接网络

'''

def __init__(self):

super(fc_net,self).__init__()

self.fc1 = t.nn.Sequential(t.nn.Linear(784,200),t.nn.ReLU())

self.fc2 = t.nn.Sequential(t.nn.Linear(200,100),t.nn.ReLU())

self.fc3 = t.nn.Sequential(t.nn.Linear(100,20),t.nn.ReLU())

self.fc4 = t.nn.Linear(20,10)

def forward(self,x):

x = self.fc1(x)

x = self.fc2(x)

x = self.fc3(x)

x = self.fc4(x)

return x

class conv_net(t.nn.Module):

'''

卷积网络，需先将数据转为2维图片形式

'''

def __init__(s