在pytorch环境下使用CNN模型对数据集MNIST进行深度特征提取，结合ELM进行图像分类的流程图（分别用浅层特征，深层特征和深浅两个一起）

以下是使用PyTorch环境下进行MNIST图像分类的流程图：

1. 准备数据集：下载MNIST数据集并进行预处理，包括归一化、数据类型转换和数据增强等。

2. 构建CNN模型：使用PyTorch搭建CNN模型，包括输入层、卷积层、池化层、全连接层和输出层等。

3. 特征提取：使用训练好的CNN模型对训练集和测试集进行特征提取，包括浅层特征和深层特征。

4. ELM分类：使用ELM（Extreme Learning Machine）算法对提取的特征进行分类，得到分类结果。

5. 模型评估：使用测试集对模型进行评估，包括准确率、精确率、召回率和F1分数等。

6. 模型调优：根据评估结果对模型进行调优，包括调整CNN模型的结构、调整ELM算法的参数和使用其他分类算法等。

7. 应用推广：将优化后的模型应用于实际场景中，如数字识别、图像分类和人脸识别等。

下面是具体的流程图：