【Pytorch】基于MNIST数据集的手写数字识别

新手小白一个，我准备将自己的学习记录在这里，希望能遇到一些并肩同行的伙伴，希望大佬在评论区交流指出我的不足！最近在写准备写一个手写汉字识别的神经网络，于是跟大佬从头开始学习（莫烦python），首先从数字识别开始，把代码根据理解的加上了注释，让大家看的更明白，如果有同学对于函数不太理解，我把感觉通俗易懂的解释链接也放在下方。

如果引用的超链接损害了您的权益，请及时与我联系删除。

①导入模块

import torch
import torch.nn as nn # 神经网络库
from torch.autograd import Variable
import torch.utils.data as Data #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。
import torchvision # 包括了图片的数据库
import matplotlib.pyplot as plt # 出图程序

②设置超参数

超参数：

在机器学习的上下文中，超参数是在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据。通常情况下，需要对超参数进行优化，给学习机选择一组最优超参数，以提高学习的性能和效果。
来源于百度百科

EPOCH = 1 # 训练几次
BATCH_SIZE = 50 # 数据集划分
LR = 0.001 # 学习率
DOWNLOAD_MNIST = False # 下载数据集

③数据集处理

train_data = torchvision.datasets.MNIST(
        root = './mnist', # 数据路径
        train = True, # True为训练集 False为测试集
        transform = torchvision.transforms.ToTensor(), 
        download = DOWNLOAD_MNIST 
)

torchvision.datasets是一个包含多种数据集的工具库，MNIST是其数据集之一

数据下载：

将DOWNLOAD赋值为True，等待下载即可，完成后赋值为False

.ToTensor-将[0，255]范围内的PIL.image(RGB)或numpy.ndarray(HxWxC)转换为[0.0，1.0]范围内的torch.FloatTensor(CxHxW)

h:图片高度
w:图片宽度
c:图片通道数	

train_loader = Data.DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True) #迭代器
test_data = torchvision.datasets