在MINST多分类任务实验中分别手动实现和用torch.nn实现

在MNIST多分类任务中，手动实现通常涉及以下几个步骤：

**手动实现**
1. **数据预处理**：加载MNIST数据集，对其进行归一化，将像素值缩放到0到1之间。
2. **构建模型**：可以选择简单的全连接网络，有几层隐藏层和一个输出层，对应10个类别。
3. **前向传播**：设计函数来进行输入通过网络，计算每个类别的概率。
4. **损失计算**：使用交叉熵作为多分类任务的标准损失函数。
5. **优化器**：选择梯度下降或其他优化算法，更新模型权重。
6. **训练循环**：迭代训练数据，每次迭代计算损失并更新模型。
7. **评估**：在测试数据上计算准确率。

**使用PyTorch.nn模块实现**

import torch
from torch import nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(784, 128)  # 输入层到隐藏层
        self.fc2 = nn.Linear(128, 64)
        self.fc3 = nn.Linear(64, 10)   # 输出层

    def forward(self, x):
        x = x.view(-1, 784)  # 展平输入
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return F.log_softmax(x, dim=1)  # 输出softmax概率

# 实例化模型
model = Net()

# 配置优化器和损失函数
optimizer = torch.optim.SGD(model.parameters(), lr=0.001)
criterion = nn.CrossEntropyLoss()

# 训练和验证过程同手写部分