用 PyTorch 搭建前馈神经网络，完成对手写数字数据集 MNIST 的分类。 参考流程： 1. 构造 MNIST 数据集的 DataSet 对象。 (1) 下载作业附件 mnist_train.csv 和 mnist_test.csv，自行编程实现 DataSet 类。 2. 根据已构造的 DataSet 实现 DataLoader。 3. 用 PyTorch 框架搭建前馈神经网络。 4. 训练模型并测试模型效果

以下是 PyTorch 搭建前馈神经网络完成 MNIST 数据集分类的代码实现：

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import Dataset, DataLoader
import pandas as pd
import numpy as np

# 定义 DataSet 类
class MNISTDataset(Dataset):
    def __init__(self, csv_file):
        self.data = pd.read_csv(csv_file, header=None).values.astype('float32')
        self.labels = self.data[:, 0]
        self.data = self.data[:, 1:]
    
    def __len__(self):
        return len(self.labels)
    
    def __getitem__(self, idx):
        label = self.labels[idx]
        img = self.data[idx, :]
        img = np.reshape(img, (28, 28))
        return img, label

# 定义 DataLoader
train_dataset = MNISTDataset('mnist_train.csv')
test_dataset = MNISTDataset('mnist_test.csv')
train_dataloader = DataLoader(train_dataset, batch_size=32, shuffle=True)
test_dataloader = DataLoader(test_dataset, batch_size=32, shuffle=False)

# 定义前馈神经网络
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(28*28, 128)
        self.fc2 = nn.Linear(128, 64)
        self.fc3 = nn.Linear(64, 10)
        self.relu = nn.ReLU()

    def forward(self, x):
        x = x.view(-1, 28*28)
        x = self.relu(self.fc1(x))
        x = self.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 定义损失函数和优化器
net = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(net.parameters(), lr=0.001)

# 训练模型
for epoch in range(10):
    running_loss = 0.0
    for i, data in enumerate(train_dataloader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs, labels.long())
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        if i % 100 == 99:
            print('[%d, %5d] loss: %.3f' % (epoch+1, i+1, running_loss/100))
            running_loss = 0.0

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

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

在训练过程中，我们将损失值打印出来，以便观察模型的训练效果。在测试过程中，我们计算模型的分类准确率。这份代码实现了对 MNIST 数据集的分类，可以作为 PyTorch 前馈神经网络的示例代码。