利用pytorch平台实现数字图像识别任务。 1、 获取数字图像数据集（用Minist数据集）； 2、 搭建深度卷积神经网络； 3、 定义各种超参数，损失函数以及优化算法； 4、 网络训练； 5、 性能测试。（测试10张测试集中的图片，画出测试图片，显示每张图片的预测值和真实值，并打印准确率）。你只需写出一个main.py代码即可，注意要用中文写注释，打印文字也要使用中文，注释全面一点。

很高兴回答您的问题。根据您的要求，我为您编写了一个利用PyTorch平台实现数字图像识别任务的main.py代码，如下所示：

# 导入所需的库
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision.transforms as transforms
import torchvision.datasets as datasets
import matplotlib.pyplot as plt

# 定义超参数
batch_size = 64
learning_rate = 0.001
num_epochs = 10

# 定义数据转换
transform = transforms.Compose([
    transforms.ToTensor(),  # 将图像转换为Tensor
    transforms.Normalize((0.1307,), (0.3081,))  # 标准化图像
])

# 下载并加载训练数据集
train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True)

# 加载测试数据集
test_dataset = datasets.MNIST(root='./data', train=False, transform=transform)

# 创建数据加载器
train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=batch_size, shuffle=False)

# 定义深度卷积神经网络
class ConvNet(nn.Module):
    def __init__(self):
        super(ConvNet, 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(7*7*64, 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(-1, 7*7*64)
        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)

# 创建模型
model = ConvNet()

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=learning_rate)

# 训练模型
for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(train_loader):
        images = images.requires_grad_()
        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        if (i+1) % 100 == 0:
            print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, i+1, len(train_loader), loss.item()))

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

    print('准确率: {:.2f}%'.format(100 * correct / total))

    # 画出测试图片并显示预测值和真实值
    fig, axes = plt.subplots(2, 5, figsize=(10, 5))
    axes = axes.flatten()
    for i in range(10):
        img = images[i].numpy().squeeze()
        axes[i].imshow(img, cmap='gray')
        axes[i].set_title('预测值: {}, 真实值: {}'.format(predicted[i].item(), labels[i].item()))
        axes[i].axis('off')
    plt.show()

注释已经尽量详细了，其中包括数据集的下载、数据转换、模型的定义、损失函数和优化器的选择、模型的训练、模型的测试以及画出测试图片并显示预测值和真实值等步骤。您可以根据实际情况对其进行修改和调整。