pytorch识别minist数据集

import torch
from torchvision import transforms        #针对图像做原始处理的工具
from torchvision import datasets
from torch.utils.data import DataLoader   #以上三行用于构建DataLoader
import torch.nn.functional as F           #使用relu激活函数
import torch.optim as optim               #使用优化器，用来简写

在回归问题和一些机器学习算法中，以及训练神经网络的过程中，通常需要对原始数据进行标准化和归一化

• 目的：通过标准化处理，得到均值为0，标准差为1的服从标准正态分布的数据（改变了正太分布数据的均值和方差（原始数据要是正态分布））；归一化则是将数据转换到[0,1]之间
• 标准化计算过程由下式表示：$x^{\prime }=\frac{x-u}{\sigma }$
• 下面解释一下为什么需要使用这些数据预处理步骤。
  在一些实际问题中，我们得到的样本数据都是多个维度的，即一个样本是用多个特征来表征的。比如在预测房价的问题中，影响房价的因素有房子面积、卧室数量等，我们得到的样本数据就是这样一些样本点，这里的、又被称为特征。很显然，这些特征的量纲和数值得量级都是不一样的，在预测房价时，如果直接使用原始的数据值，那么他们对房价的影响程度将是不一样的，而通过标准化处理，可以使得不同的特征具有相同的尺度（Scale）。这样，在使用梯度下降法学习参数的时候，不同特征对参数的影响程度就一样了。
• 简言之，