pyorch 全连接神经网络 mnist识别

好的，以下是一个用 PyTorch 实现的全连接神经网络来进行 MNIST 手写数字识别的示例代码。

首先，需要导入必要的库和加载 MNIST 数据集：

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms

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

# 创建数据加载器
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=True)

然后，定义一个继承自 PyTorch 的 `nn.Module` 类的神经网络模型，它包含两个全连接层和一个 ReLU 激活函数：

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        
        # 定义两个全连接层
        self.fc1 = nn.Linear(28 * 28, 512)
        self.fc2 = nn.Linear(512, 10)
        
        # 定义 ReLU 激活函数
        self.relu = nn.ReLU()

    def forward(self, x):
        # 将输入的图片展开成一维向量
        x = x.view(-1, 28 * 28)
        
        # 通过第一个全连接层，并使用 ReLU 激活函数
        x = self.fc1(x)
        x = self.relu(x)
        
        # 通过第二个全连接层
        x = self.fc2(x)
        
        # 返回输出
        return x

接着，定义损失函数和优化器：

# 定义损失函数
criterion = nn.CrossEntropyLoss()

# 定义优化器
learning_rate = 0.01
optimizer = optim.SGD(model.parameters(), lr=learning_rate)

最后，训练模型并进行测试：

# 训练模型
num_epochs = 10
for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(train_loader):
        # 将输入和标签转换为 PyTorch 变量
        images = torch.autograd.Variable(images)
        labels = torch.autograd.Variable(labels)
        
        # 前向传播、计算损失和反向传播
        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        
        # 每 100 步打印一次训练进度
        if (i+1) % 100 == 0:
            print('Epoch [%d/%d], Step [%d/%d], Loss: %.4f' % (epoch+1, num_epochs, i+1, len(train_dataset)//batch_size, loss.data.item()))

# 测试模型
correct = 0
total = 0
for images, labels in test_loader:
    # 将输入和标签转换为 PyTorch 变量
    images = torch.autograd.Variable(images)
    labels = torch.autograd.Variable(labels)

    # 前向传播并计算输出
    outputs = model(images)
    _, predicted = torch.max(outputs.data, 1)
    
    # 更新正确预测的数量和总数
    total += labels.size(0)
    correct += (predicted == labels).sum()

# 输出准确率
print('Accuracy of the network on the 10000 test images: %d %%' % (100 * correct / total))