PyTorch框架和MNIST数据集

MNIST数据集:
MNIST（Modified National Institute of Standards and Technology database）是一个广泛使用的手写数字识别数据集。它包含60,000个训练样本和10,000个测试样本。每个样本都是一张28x28像素的灰度图像，代表一个0到9之间的数字。MNIST数据集通常被用作入门级的机器学习和深度学习项目，因为它既不太简单也不太复杂，非常适合初步学习和实践。
下面是使用PyTorch框架来训练一个简单的神经网络进行MNIST手写数字识别的代码示例：

import torch
import torch.nn as nn
import torch.nn.functional as F
from torch.utils.data import DataLoader
from torchvision import datasets, transforms
# 定义超参数
BATCH_SIZE = 64
EPOCHS = 5
LEARNING_RATE = 0.01
# 数据预处理：将数据转换为torch.FloatTensor，并标准化
transform = transforms.Compose([
 transforms.ToTensor(),
 transforms.Normalize((0.1307,), (0.3081,))
])
# 下载并加载训练数据
train_data = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
train_loader = DataLoader(train_data, batch_size=BATCH_SIZE, shuffle=True)
# 下载并加载测试数据
test_data = datasets.MNIST(root='./data', train=False, download=True, transform=transform)
test_loader = DataLoader(test_data, batch_size=BATCH_SIZE, shuffle=False)
# 定义一个简单的神经网络模型
class Net(nn.Module):
 def __init__(self):
     super(Net, self).__init__()
     self.fc1 = nn.Linear(28*28, 500)
     self.fc2 = nn.Linear(500, 10)
 def forward(self, x):
     x = x.view(-1, 28*28)
     x = F.relu(self.fc1(x))
     x = self.fc2(x)
     return x
# 实例化模型
model = Net()
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=LEARNING_RATE)
# 训练模型
for epoch in range(EPOCHS):
 for images, labels in train_loader:
     # 前向传播
     outputs = model(images)
     loss = criterion(outputs, labels)

     # 反向传播和优化
     optimizer.zero_grad()
     loss.backward()
     optimizer.step()

 print(f'Epoch {epoch+1}/{EPOCHS}, Loss: {loss.item()}')
# 测试模型
model.eval()  # 将模型设置为评估模式
with torch.no_grad():  # 在这个with下，所有计算得出的tensor都不会计算梯度，也就是不会进行反向传播
 correct = 0
 total = 0
 for images, labels in test_loader:
     outputs = model(images)
     _, predicted = torch.max(outputs.data, 1)
     total += labels.size(0)
     correct += (predicted == labels).sum().item()
 print(f'Accuracy of the network on the 10000 test images: {100 * correct / total}%')