pytorch手写数据集识别代码

以下是一个简单的PyTorch手写数字数据集识别代码示例：

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

# 定义数据预处理
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
])

# 加载训练集和测试集
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)

# 定义批量大小和数据加载器
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)

# 定义模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, kernel_size=5, padding=2)
        self.conv2 = nn.Conv2d(32, 64, kernel_size=5, padding=2)
        self.fc1 = nn.Linear(64*7*7, 1024)
        self.fc2 = nn.Linear(1024, 10)

    def forward(self, x):
        x = nn.functional.relu(self.conv1(x))
        x = nn.functional.max_pool2d(x, 2)
        x = nn.functional.relu(self.conv2(x))
        x = nn.functional.max_pool2d(x, 2)
        x = x.view(x.size(0), -1)
        x = nn.functional.relu(self.fc1(x))
        x = nn.functional.dropout(x, training=self.training)
        x = self.fc2(x)
        return nn.functional.log_softmax(x, dim=1)

# 初始化模型、损失函数和优化器
model = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)

# 定义训练函数
def train(epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % 100 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.item()))

# 定义测试函数
def test():
    model.eval()
    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)
    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        test_loss, correct, len(test_loader.dataset),
        100. * correct / len(test_loader.dataset)))

# 训练和测试模型
for epoch in range(1, 11):
    train(epoch)
    test()

在上面的代码中，我们首先定义了数据预处理管道，使用了`transforms.ToTensor()`将图像转换为张量，并使用`transforms.Normalize()`标准化张量。然后，我们使用`datasets.MNIST()`加载了MNIST数据集，并使用`torch.utils.data.DataLoader()`创建了数据加载器，其中`batch_size`参数定义了批量大小。

接着，我们定义了模型，使用了两个卷积层和两个全连接层，并在`forward()`方法中定义了模型的前向传递过程。我们使用了`nn.functional.relu()`函数作为激活函数，使用了`nn.functional.max_pool2d()`作为池化函数，并使用了`nn.functional.dropout()`函数进行正则化。

然后，我们初始化了模型、损失函数和优化器，使用了`nn.CrossEntropyLoss()`作为损失函数，并使用了`optim.SGD()`作为优化器。

最后，我们定义了训练和测试函数，使用了`model.train()`和`model.eval()`方法来设置模型的训练和测试模式。在训练函数中，我们循环遍历训练集，并使用`optimizer.zero_grad()`方法清空梯度，使用`model(data)`方法进行前向传递，使用`criterion(output, target)`计算损失，使用`loss.backward()`方法进行反向传递，使用`optimizer.step()`方法更新模型参数。在测试函数中，我们循环遍历测试集，并使用`output.argmax(dim=1, keepdim=True)`方法获取预测结果，使用`pred.eq(target.view_as(pred)).sum().item()`方法计算准确率。

最后，我们使用一个循环训练和测试模型，使用了`train(epoch)`和`test()`方法。在每个训练周期中，我们使用`train(epoch)`方法训练模型，并使用`test()`方法测试模型的准确率。