CNN手写数字识别csv格式训练集读取保存训练好的pytorch模型，另一个文件加载调用模型测试csv数据集和单张图片

您可以按照以下步骤进行CNN手写数字识别的训练、保存和加载模型，并使用模型测试CSV数据集和单张图片。

1. 训练和保存模型：
- 首先，导入所需的库：

     import torch
     import torch.nn as nn
     import torch.optim as optim
     import torchvision.transforms as transforms
     from torchvision.datasets import MNIST
     from torch.utils.data import DataLoader

- 定义一个简单的CNN模型:

     class CNN(nn.Module):
         def __init__(self):
             super(CNN, self).__init__()
             self.conv1 = nn.Conv2d(1, 16, kernel_size=3, stride=1, padding=1)
             self.relu = nn.ReLU()
             self.maxpool = nn.MaxPool2d(kernel_size=2, stride=2)
             self.fc = nn.Linear(14*14*16, 10)
         
         def forward(self, x):
             out = self.conv1(x)
             out = self.relu(out)
             out = self.maxpool(out)
             out = out.view(out.size(0), -1)
             out = self.fc(out)
             return out

- 加载MNIST数据集并进行预处理：

     transform = transforms.Compose([
         transforms.ToTensor(),
         transforms.Normalize((0.5,), (0.5,))
     ])

     train_dataset = MNIST(root='./', train=True, transform=transform, download=True)
     test_dataset = MNIST(root='./', train=False, transform=transform)

     train_loader = DataLoader(dataset=train_dataset, batch_size=64, shuffle=True)
     test_loader = DataLoader(dataset=test_dataset, batch_size=64, shuffle=False)

- 初始化模型、损失函数和优化器：

     model = CNN()
     criterion = nn.CrossEntropyLoss()
     optimizer = optim.Adam(model.parameters(), lr=0.001)

- 进行训练并保存模型：

     num_epochs = 10

     for epoch in range(num_epochs):
         for i, (images, labels) in enumerate(train_loader):
             optimizer.zero_grad()
             outputs = model(images)
             loss = criterion(outputs, labels)
             loss.backward()
             optimizer.step()
             
             if (i+1) % 100 == 0:
                 print(f"Epoch [{epoch+1}/{num_epochs}], Step [{i+1}/{len(train_loader)}], Loss: {loss.item()}")

     torch.save(model.state_dict(), 'model.pt')

2. 加载和使用模型进行预测：
- 导入所需的库：

     import pandas as pd
     from PIL import Image

- 加载模型并进行预测：

     model = CNN()
     model.load_state_dict(torch.load('model.pt'))
     model.eval()
     
     def predict(image):
         image = transform(image).unsqueeze(0)
         output = model(image)
         _, predicted = torch.max(output.data, 1)
         return predicted.item()

3. 使用模型测试CSV数据集和单张图片：
- 测试CSV数据集：

     df = pd.read_csv('test.csv')
     for i in range(len(df)):
         image = Image.fromarray(df.iloc[i].values.reshape(28, 28).astype('uint8'))
         prediction = predict(image)
         print(f"Image {i+1}: Predicted Digit - {prediction}")

- 测试单张图片：

     image = Image.open('image.jpg').convert('L')
     prediction = predict(image)
     print(f"Predicted Digit - {prediction}")

这样，您就可以使用CSV数据集和单张图片测试已训练好的CNN模型了。请注意，这只是一个简单的示例，您可以根据自己的需求进行修改和扩展。