编写python代码利用pytorch平台实现数字图像识别任务。 1、获取数字图像数据集； 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。

好，下面是一个简单的 PyTorch 代码示例，用于实现数字图像识别任务，实现了上述 1-5 步骤：

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

# 获取数字图像数据集
train_dataset = datasets.MNIST(root='./data', train=True, transform=transforms.ToTensor(), download=True)
test_dataset = datasets.MNIST(root='./data', train=False, transform=transforms.ToTensor(), download=True)

# 搭建深度卷积神经网络
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.fc1 = nn.Linear(64 * 11 * 11, 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 = x.view(-1, 64 * 11 * 11)
        x = nn.functional.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 定义各种超参数，损失函数以及优化算法
model = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 网络训练
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=64, shuffle=True)

for epoch in range(10):
    running_loss = 0.0
    for i, data in enumerate(train_loader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
    print('[%d] loss: %.3f' % (epoch + 1, running_loss / len(train_loader)))

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

print('Accuracy on the test dataset: %d %%' % (100 * correct / total))

以上代码中，我们使用了 MNIST 数据集，搭建了一个简单的卷积神经网络，并使用交叉熵损失函数和 Adam 优化算法进行训练，最后测试了网络的性能。你可以在这个代码的基础上进行修改和调整，以适应不同的数据集和任务。