minst手写pytorch

以下是使用PyTorch实现手写数字识别（MNIST）的代码示例：

首先，我们需要导入必要的库和模块：

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision.transforms as transforms
from torch.utils.data import DataLoader
from torchvision.datasets import MNIST

接着，我们需要定义模型：

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, kernel_size=3)
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3)
        self.dropout1 = nn.Dropout2d(0.25)
        self.dropout2 = nn.Dropout2d(0.5)
        self.fc1 = nn.Linear(9216, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = nn.functional.relu(self.conv1(x))
        x = nn.functional.relu(self.conv2(x))
        x = nn.functional.max_pool2d(x, 2)
        x = self.dropout1(x)
        x = torch.flatten(x, 1)
        x = nn.functional.relu(self.fc1(x))
        x = self.dropout2(x)
        x = self.fc2(x)
        return nn.functional.log_softmax(x, dim=1)

这里我们使用了两个卷积层、两个池化层和两个全连接层，以及一些dropout层。

接下来，我们需要定义数据集：

transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))])

train_dataset = MNIST(root='./data', train=True, download=True, transform=transform)
test_dataset = MNIST(root='./data', train=False, download=True, transform=transform)

train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)

这里我们使用了MNIST数据集，对数据进行了标准化处理，并使用DataLoader对数据进行批处理。

最后，我们需要定义训练过程：

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

def train(model, train_loader, criterion, optimizer):
    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()

def test(model, test_loader, criterion):
    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)
    accuracy = correct / len(test_loader.dataset)
    print('Test set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)'.format(
        test_loss, correct, len(test_loader.dataset), 100. * accuracy))

for epoch in range(1, 11):
    train(model, train_loader, criterion, optimizer)
    test(model, test_loader, criterion)

这里我们使用了Adam优化器和交叉熵损失函数，对模型进行训练和测试。在训练过程中，我们使用model.train()将模型设置为训练模式，在测试过程中，我们使用model.eval()将模型设置为测试模式，这样dropout层就会停止起作用，从而使得测试结果更加准确。

最后，我们可以通过执行以下命令来运行程序：

python mnist.py

经过训练，我们可以得到类似如下的输出：

Test set: Average loss: 0.0009, Accuracy: 9869/10000 (99%)

这说明我们的模型在手写数字识别上达到了很高的准确率。