帮我写一个PyTorch 用MNIST数据集训练的手写字体识别程序以及将训练好的模型使用自己的图片测试代码

好的，以下是一个基于PyTorch和MNIST数据集的手写数字识别程序和使用自己的图片测试代码：

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader
from torchvision import datasets, transforms
from PIL import Image

# 定义超参数
batch_size = 64
learning_rate = 0.01
num_epochs = 10

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

# 创建数据加载器
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=batch_size, 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.pooling = nn.MaxPool2d(2)
        self.fc = nn.Linear(320, 10)

    def forward(self, x):
        x = self.pooling(nn.functional.relu(self.conv1(x)))
        x = self.pooling(nn.functional.relu(self.conv2(x)))
        x = x.view(-1, 320)
        x = self.fc(x)
        return nn.functional.log_softmax(x, dim=1)

# 实例化模型并定义优化器和损失函数
model = Net()
optimizer = optim.SGD(model.parameters(), lr=learning_rate, momentum=0.5)
criterion = nn.CrossEntropyLoss()

# 训练模型
for epoch in range(num_epochs):
    for i, (data, target) in enumerate(train_loader):
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()
        if i % 100 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, i * len(data), len(train_loader.dataset),
                100. * i / len(train_loader), loss.item()))

# 保存模型
torch.save(model.state_dict(), './model.pth')

# 加载模型
model = Net()
model.load_state_dict(torch.load('./model.pth'))

# 测试模型
test_loss = 0
correct = 0
with torch.no_grad():
    for data, target in test_loader:
        output = model(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)
accuracy = 100. * correct / len(test_loader.dataset)
print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
    test_loss, correct, len(test_loader.dataset), accuracy))

# 使用自己的图片测试模型
img = Image.open('./test.png').convert('L')  # 将彩色图片转换为灰度图
transform = transforms.Compose([transforms.Resize((28, 28)), transforms.ToTensor()])
img = transform(img).unsqueeze(0)
output = model(img)
pred = output.argmax(dim=1, keepdim=True)
print('Prediction:', pred.item())

在这个程序中，我们训练了一个基于MNIST数据集的手写数字识别模型，并将其保存到了`model.pth`文件中。我们加载了这个模型，并对自己的图片进行了测试。为了测试自己的图片，我们首先将彩色图片转换为灰度图，然后将其缩放为28x28的大小，并且将其转换为张量，并在第0维上添加一个维度，以便于模型进行批处理。最后，我们使用训练好的模型对这个图片进行预测，输出预测结果。