（一）使用深度学习任一框架创建卷积神经网络完成mnist手写数字分类（每题2分，共20分） 要求： 1. 加载mnist数据集（2分） 2. 将数据放入dataloader中（2分） 3. 创建卷积类（2分） 4. 使用两层卷积，卷积核个数分别为16，32，激活函数使用relu，并进行最大池化（2分） 5. 使用一层全连接，并使用正态分布初始化全连接的参数（2分） 6. 进行正向传播（2分） 7. 创建卷积神经网络对象（2分） 8. 合理选择优化器与损失函数（2分） 9. 使用训练集数据结合小批量循环进行拟合，循环次数（2分） 10.计算平均损失函数值，并打印（2分）

我可以回答这个问题。以下是使用PyTorch框架创建卷积神经网络完成mnist手写数字分类的代码：

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

# 加载mnist数据集
train_data = MNIST(root='./data', train=True, transform=ToTensor(), download=True)
test_data = MNIST(root='./data', train=False, transform=ToTensor(), download=True)

# 将数据放入dataloader中
train_loader = DataLoader(train_data, batch_size=64, shuffle=True)
test_loader = DataLoader(test_data, batch_size=64, shuffle=False)

# 创建卷积类
class ConvNet(nn.Module):
    def __init__(self):
        super(ConvNet, self).__init__()
        self.conv1 = nn.Conv2d(1, 16, kernel_size=3, padding=1)
        self.conv2 = nn.Conv2d(16, 32, kernel_size=3, padding=1)
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.fc = nn.Linear(32 * 7 * 7, 10)
        self.relu = nn.ReLU()

    def forward(self, x):
        x = self.conv1(x)
        x = self.relu(x)
        x = self.pool(x)
        x = self.conv2(x)
        x = self.relu(x)
        x = self.pool(x)
        x = x.view(-1, 32 * 7 * 7)
        x = self.fc(x)
        return x

# 创建卷积神经网络对象
model = ConvNet()

# 合理选择优化器与损失函数
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 使用训练集数据结合小批量循环进行拟合，循环次数
num_epochs = 10
for epoch in range(num_epochs):
    running_loss = 0.0
    for i, (images, labels) in enumerate(train_loader):
        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
    avg_loss = running_loss / len(train_loader)
    print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, avg_loss))

# 计算平均损失函数值，并打印
with torch.no_grad():
    running_loss = 0.0
    for images, labels in test_loader:
        outputs = model(images)
        loss = criterion(outputs, labels)
        running_loss += loss.item()
    avg_loss = running_loss / len(test_loader)
    print('Test Loss: {:.4f}'.format(avg_loss))

以上代码实现了加载mnist数据集、将数据放入dataloader中、创建卷积类、使用两层卷积、卷积核个数分别为16、32、激活函数使用relu，并进行最大池化、使用一层全连接，并使用正态分布初始化全连接的参数、进行正向传播、创建卷积神经网络对象、合理选择优化器与损失函数、使用训练集数据结合小批量循环进行拟合，循环次数、计算平均损失函数值，并打印。