MNIST数据集手写体数字识别的例子，记录所有识别错误的图片信息，并且将所有识别错误的图片单独保存在一个指定的文件夹内，要求使用gpu版本的pytorch进行处理，目前目录下有mnist数据集，要求代码直接能运行。

好的，我可以为您提供示例代码。

首先，您需要安装PyTorch和torchvision。如果您的计算机上有GPU，最好安装GPU版本的PyTorch，以提高训练速度。

然后，您可以使用以下代码来加载MNIST数据集并进行训练和测试：

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision.transforms as transforms
import torchvision.datasets as datasets

# 定义变换
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
])

# 加载数据集
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)

# 定义数据加载器
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=64, shuffle=False)

# 定义模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        self.fc1 = nn.Linear(320, 50)
        self.fc2 = nn.Linear(50, 10)

    def forward(self, x):
        x = nn.functional.relu(nn.functional.max_pool2d(self.conv1(x), 2))
        x = nn.functional.relu(nn.functional.max_pool2d(self.conv2(x), 2))
        x = x.view(-1, 320)
        x = nn.functional.relu(self.fc1(x))
        x = self.fc2(x)
        return nn.functional.log_softmax(x, dim=1)

net = Net().cuda()

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.01, momentum=0.5)

# 训练函数
def train(epoch):
    net.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = data.cuda(), target.cuda()
        optimizer.zero_grad()
        output = net(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % 10 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.item()))

# 测试函数
def test():
    net.eval()
    test_loss = 0
    correct = 0
    with torch.no_grad():
        for data, target in test_loader:
            data, target = data.cuda(), target.cuda()
            output = net(data)
            test_loss += criterion(output, target).item()
            pred = output.argmax(dim=1, keepdim=True)
            correct += pred.eq(target.view_as(pred)).sum().item()

    test_loss /= len(test_loader.dataset)
    print('Test set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))
    return 100. * correct / len(test_loader.dataset)

# 训练模型
best_acc = 0
for epoch in range(1, 11):
    train(epoch)
    acc = test()
    if acc > best_acc:
        best_acc = acc
        torch.save(net.state_dict(), 'mnist_cnn.pt')

# 加载模型
net.load_state_dict(torch.load('mnist_cnn.pt'))

# 遍历测试集并记录错误的图片信息
error_images = []
for data, target in test_loader:
    data, target = data.cuda(), target.cuda()
    output = net(data)
    pred = output.argmax(dim=1, keepdim=True)
    for i in range(len(target)):
        if pred[i] != target[i]:
            error_images.append(data[i])

# 保存错误的图片
for i, image in enumerate(error_images):
    torchvision.utils.save_image(image, f'error_images/{i}.png')

上述代码中，我们定义了一个卷积神经网络来进行手写数字识别，并使用SGD优化器进行训练。训练过程中，我们记录了每个epoch的测试准确率，并在测试准确率最高的时候保存模型。

在训练完成后，我们遍历测试集并记录所有错误的图片信息，并将这些错误的图片单独保存到一个文件夹中。

注意，为了使用GPU加速，我们将模型和数据都移动到了GPU上，这可以通过调用`.cuda()`方法来实现。如果您的计算机上没有GPU，可以将`.cuda()`替换为`.cpu()`。