基于循环神经网络的手写体识别，主要验证基于LSTM和GRU两个网络的效果 ，并学会使用torch.summary来深入了解网络写出完整代码

基于循环神经网络（Recurrent Neural Networks, RNNs），尤其是长短期记忆网络（Long Short-Term Memory, LSTM）和门控循环单元（Gated Recurrent Unit, GRU），用于手写体识别是一种常见的深度学习应用。这两个模型特别适用于序列数据处理，如文本或图像的一维时间序列。

首先，我们需要导入必要的库，例如PyTorch：

import torch
import torch.nn as nn
from torchsummary import summary

# 设定随机种子保证结果可复现
torch.manual_seed(0)

接下来，我们可以定义一个简单的LSTM和GRU模型结构：

class SimpleLSTM(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers=1):
        super(SimpleLSTM, self).__init__()
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)

    def forward(self, x):
        out, _ = self.lstm(x)
        return out[:, -1, :]  # 返回最后一个时间步的隐藏状态

class SimpleGRU(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers=1):
        super(SimpleGRU, self).__init__()
        self.gru = nn.GRU(input_size, hidden_size, num_layers, batch_first=True)

    def forward(self, x):
        out, _ = self.gru(x)
        return out[:, -1, :]  # 同样返回最后一个时间步的隐藏状态

为了比较效果，我们可以创建并总结这两个模型：

input_size = 784  # 假设输入是28x28灰度图片
hidden_size = 128

lstm_model = SimpleLSTM(input_size, hidden_size)
gru_model = SimpleGRU(input_size, hidden_size)

# 使用summary函数获取网络概览信息
summary(lstm_model, (input_size,))  # 对LSTM模型进行摘要
summary(gru_model, (input_size,))