Pytorch实现手写体识别（基于CNN卷积神经网络）实操详解（附完整代码free）

手写体作为深度学习的“Hello world”，几乎所有的课程都会讲到这个，今天带着大家一些看看吧。
如果对你有所帮助，点个赞给个小关注，以后一起交流学习。

前言

首先和大家讲讲我为啥会看到这个，因为我需要写论文，关于图像增强的，比如夜视，曝光，去雨，去雪，去雾等，以往采用的是传统的方法“直方图，暗通道，retinex”等，现在随着深度学习的发展，只从12年人机大战，深度学习迅速爆棚，由于结果惊艳，所以深度学习进入了人们感兴趣的领域。
好不夸张的说，现在各行各业都在使用深度学习，这个也是我需要研究的课题。
为了实现这些，需要从零开始，慢慢摸索。
好啦，不扯了。

一、需要的基础
1 Python编程语法

2 numpy学习

3 matplotlib学习

4 pytorch（tensorflow等也可以）

5 数据集导入相关

6 CV2（有可能会用到）

7 卷积神经网络知识（卷积，池化，融合，步长，padding，激活函数等）

8 线性回归，分类等问题（部分数学知识，均方误差，梯度求导，激活函数等）
先列举这么多吧，这么多基础就可以看懂今天的例子，然后你也会明白我说的内容，由于能力有限，难免有说错或者不准确的地方，感谢各位可以进行指导和纠正，自己也是初入茅庐，仅供大家参考。

二、正式讲解
做深度学习无非就是

导入数据集
大家模型
训练模型
测试模型

2.1 导入本例程需要的库

import torch
from torchvision import transforms
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F
import torch.optim as optim
import matplotlib.pyplot as plt
import torch.nn.modules

这些库的作用很清晰，有编程基础和深度学习的小伙伴一眼就可以看出，就是常见的语法，框架，绘图，数据集导入等
这里补充说明两个
import torch.nn.functional as F
import torch.optim as optim
这两个就是为了使用torch框架中的函数，已经优化等

2.2 加载数据集
这里导入下载的minist数据集（注意：minist数据集分为测试集，训练集）

batch_size = 64
transform = transforms.Compose([
    transforms.ToTensor(), #转成张量
    transforms.Normalize((0.1307,),(0.3081,)) # 神经网络使用(0,1)分布
])

train_dataset = datasets.MNIST('MNIST_data',
                               train=True,
                               download=True,
                               transform=transform)

train_loader = DataLoader(train_dataset,
                                shuffle = True,
                                batch_size = batch_size)

test_dataset = datasets.MNIST('MNIST_data',
                               train=False,
                               download=True,
                               transform=transform)

test_loader = DataLoader(test_dataset,
                                shuffle = False,
                                batch_size=batch_size)

batch_size = 64这个需要和大家说一下，这个是干啥的呢？
一开始我也不太了解，只知道是批次训练，一次训练多少，最好发现，是为了计算机的内存考虑的，假如数据集比较小还好，不用管这些，但是如果数据集比较大，跑起来可以把电脑内存跑爆炸。所以这里采用批次训练，一次一个批次，不仅可以正常运行，而且还可以提高模型的泛化性。
shuffle = False，这个也要说一下，这个是重新洗牌，避免每次选的一样，打乱顺序。

2.3 卷积层操作

class  InceptionA(torch.nn.Module):
    def __init__(self,in_channels):
        super(InceptionA,self).__init__()
        self.branch1x1 = torch.nn.Conv2d(in_channels,16,kernel_size=1)

        self.branch5x5_1 = torch.nn.Conv2d(in_channels,16,kernel_size=1)
        self.branch5x5_2 = torch.nn.Conv2d(16,24,kernel_size=5,padding=2)

        self.branch3x3_1 = torch.nn.Conv2d(in_channels,16,kernel_size=1)
        self.branch3x3_2 = torch.nn.Conv2d(16,24,kernel_size=3,padding=1)
        self.branch3x3_3 = torch.nn.Conv2d(24,24,kernel_size=3,padding=1)

        self.branch_pool = torch.nn.Conv2d(in_channels,24,kernel_size=1)

    def forward(self,x):
        branch1x1 = self.branch1x1(x)

        branch5x5 = self.branch5x5_1(x)
        branch5x5 = self.branch5x5_2(branch5x5)

        branch3x3 = self.branch3x3_1(x)
        branch3x3 = self.branch3x3_2(branch3x3)
        branch3x3 = self.branch3x3_3(branch3x3)

        branch_pool = F.avg_pool2d(x,kernel_size=3,stride=1,padding=1)</