pytorch框架手写数字识别

PyTorch是一个开源的深度学习库，它提供了动态计算图的便利，非常适合于图像识别任务，如手写数字识别。以下是使用PyTorch进行手写数字识别的一个简单步骤概述：

1. **数据预处理**：首先需要加载MNIST数据集，这是一个包含60,000个训练样本和10,000个测试样本的手写数字图片和标签的数据集。使用`torchvision.datasets.MNIST`可以轻松获取。

from torchvision import datasets, transforms

transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))
])
train_data = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
test_data = datasets.MNIST(root='./data', train=False, download=True, transform=transform)

2. **创建模型**：通常选择卷积神经网络（CNN），如LeNet、ResNet等。在PyTorch中，`nn.Module`是基础模块，我们可以自定义网络结构。

import torch.nn as nn

class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 16, kernel_size=3, padding=1)
        self.pool = nn.MaxPool2d(2, 2)
        self.fc1 = nn.Linear(16 * 14 * 14, 128)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = x.view(-1, 16 * 14 * 14)
        x = F.relu(self.fc1(x))
        return x

model = SimpleCNN()

3. **训练模型**：使用交叉熵损失函数和优化器（如Adam）对模型进行训练。

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

for epoch in range(num_epochs):
    for images, labels in train_loader:
        outputs = model(images)
        loss = criterion(outputs, labels)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

4. **评估模型**：在测试集上验证模型性能。

correct = 0
total = 0
with torch.no_grad():
    for images, labels in test_loader:
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

accuracy = 100 * correct / total
print(f"Accuracy on test set: {accuracy}%")