pytorch训练mnist

PyTorch是一种流行的深度学习框架，非常适合用于训练MNIST手写数字识别任务。MNIST是一个基础的数据集，包含60,000张28x28像素的手写数字训练图片和10,000张测试图片。

以下是使用PyTorch训练MNIST的基本步骤：

1. **数据预处理**：
- 导入所需的库（如`torch`, `torchvision`），并下载MNIST数据集。

   import torch
   from torchvision.datasets import MNIST
   train_dataset = MNIST(root='./data', train=True, download=True, transform=transforms.ToTensor())
   test_dataset = MNIST(root='./data', train=False, download=True, transform=transforms.ToTensor())

2. **数据加载**：
- 使用`DataLoader`将数据划分为小批次。

   train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
   test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)

3. **构建模型**：
- 通常选择卷积神经网络（CNN），例如LeNet或简单的全连接网络。

   model = nn.Sequential(
       nn.Conv2d(1, 16, kernel_size=5, stride=1, padding=2),
       nn.ReLU(),
       nn.MaxPool2d(kernel_size=2, stride=2),
       nn.Conv2d(16, 32, kernel_size=5, stride=1, padding=2),
       nn.ReLU(),
       nn.MaxPool2d(kernel_size=2, stride=2),
       Flatten(),
       nn.Linear(7 * 7 * 32, 128),
       nn.ReLU(),
       nn.Linear(128, 10)  # 输出层，10个节点对应0-9的分类
   )

4. **定义损失函数和优化器**：
- Softmax交叉熵作为损失函数，SGD或Adam等优化器。

   criterion = nn.CrossEntropyLoss()
   optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)

5. **训练循环**：
- 循环遍历每个训练批次，前向传播、计算损失、反向传播和更新权重。

   for epoch in range(num_epochs):
       for images, labels in train_loader:
           outputs = model(images)
           loss = criterion(outputs, labels)
           optimizer.zero_grad()
           loss.backward()
           optimizer.step()

6. **评估模型**：
- 测试集上运行模型，查看准确率。

   correct = 0
   total = 0
   with torch.no_grad():
       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(f"Test Accuracy: {correct / total * 100:.2f}%")