基于Pytorch的MNIST手写数据集识别：使用CNN卷积神经网络实现MNIST手写数据集识别

基于 PyTorch 的 MNIST 手写数字识别通常涉及以下几个步骤：

1. **导入库**：
首先，你需要导入必要的库，如 `torch`, `torchvision`（用于加载图像数据集），以及一些辅助函数。

import torch
import torchvision
from torchvision import datasets, transforms

2. **数据预处理**：
对 MNIST 数据集进行归一化，并对输入图片进行适当的转换（例如灰度化、张量化等）。

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

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

3. **创建数据加载器**：
使用 `DataLoader` 将数据划分为小批次，方便模型训练。

batch_size = 64
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=batch_size, shuffle=False)

4. **构建 CNN 模型**：
利用 PyTorch 构建一个简单的卷积神经网络结构，包括卷积层、池化层、全连接层及激活函数。

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 16, kernel_size=3, stride=1, padding=1)
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.fc1 = nn.Linear(16 * 7 * 7, 128)
        self.fc2 = nn.Linear(128, 10)  # 输出层有10个节点，对应0-9十个数字

    def forward(self, x):
        x = self.pool(self.relu(self.conv1(x)))
        x = x.view(-1, 16 * 7 * 7)  # reshape to suitable input for fully connected layers
        x = self.relu(self.fc1(x))
        x = self.fc2(x)
        return x

model = Net()

5. **训练模型**：
定义损失函数（如交叉熵）、优化器（如SGD或Adam），然后通过训练循环迭代地更新模型参数。

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.001)

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()

6. **评估模型**：
测试模型在测试集上的性能，计算准确率。

correct_count, all_count = 0, 0
with torch.no_grad():
    for images, labels in test_loader:
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        correct_count += (predicted == labels).sum().item()
all_count = len(test_loader.dataset)
accuracy = correct_count / all_count
print(f"Accuracy on test set: {accuracy*100:.2f}%")