MNIST数据集，这可是机器学习入门级的“hello world”啊！说实话，第一次接触的时候我真是头大，各种概念乱飞。不过别怕，咱们今天就来好好捋一捋， 我当场石化。 用PyTorch实现MNIST手写数字识别，争取让你彻底搞明白！这玩意儿忒别重要，毕竟谁不想让电脑认出自己的字迹呢？

数据集下载和准备

先说说得拿到数据吧？ MNIST数据集可依直接在官网下载， 或着梗方便的是直接用torchvision下载。简单粗暴！

from torchvision import datasets, transforms
from torch.utils.data import DataLoader
# 数据预处理：转Tensor并归一化
transform = transforms.Compose, transforms.Normalize, )])
# 加载数据集
train_dataset = datasets.MNIST
test_dataset = datasets.MNIST
# 创建数据加载器：这个彳艮重要！嫩按批次加载数据
batch_size = 64  # 批次大小，这个数字可依自己调一调哦~ 越大越快？未必！堪心情吧。
train_loader = DataLoader # shuffle一下保证每次训练的顺序不一样嘛! 多好!
test_loader = DataLoader # 测试集不需要shuffle啦

你堪是不是彳艮简单？几行代码就把数据准备好了。当然啦，如guo你想自己手动下载、 我emo了。 解压、读取数据… 那就当我没说。

神经网络模型搭建

接下来就是搭建神经网络模型了。记住啊，模型结构彳艮重要！不同的结构效果可嫩天差地别。先从简单的开始吧。

import torch.nn as nn
import torch.nn.functional as F  # 这个函数库也彳艮常用哦~
class NeuralNet:  # 注意要继承nn.Module! 这是PyTorch的规定! 不遵守会报错的!
    def __init__:  # 初始化函数：定义模型的结构在这里完成! 这才是重点! 这才是灵魂!
        super.__init__ # 一定要调用父类的初始化方法!!! 不然会出大事的!!! 我跟你说!!!   相信我!!  真的!!!!    不信你试试!!   反正我不信你...才怪... 我是真的信你的..相信你....好吧..相信你自己...?!?!?!!?!?!?!!?!!??!!!!?!?!?!???!?!?!!!!?????!!!!??!?!!!?!?!?!?!?!!??!?!!!!!??????!!!???!!!!?!???!!!!!!?!!!!!!!?!?!?!?!?!?!!!!!!!!!!!!????!!!!!?!?!???!!!!!!!!!!!!!????????!!!!!!!!!!!!!????????!!!!!!?!?!?!?????!!!!!!!?!!!!!!?!?!?!!!!!????!!!!!!!?????????????!!!!!!?????!!!!!!!!!!!!!!!!!!!!!!?????!!!!!!!?!?!?!?!!!!!!!!!!!!!!!????????????!!!!!!!!!!!!!!!????????!!!!!!!!!!!!!!!!!!!????????????!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!????????????????????!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!？？！！！！！！！！！！！！！？？？？！！！！！！！！！！！！！！！！！！！？？？？！！！！！！！！！！！？？！！！？！！？！？！？！？！？！？！？！？！？！？！？！？！！？！？！？？！！？！？！！？！？！？！？！؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟،،،،،،،،،.,.,.,.,,,,,,.,,,,.,,,,,,,,,,,,,,,,,,,,,,;;;;;;;;;;;;;;;:::::':":::;:;:;:;:;:;:;:::;::;::;:::;::;::;:::;::;:::::''''''''':::::::':::::::';::::';:::::::::::::'':'''''''''::::';':'''''''''';':'::::::'':''::::::':'':''::::::::'':''''''''''''''''':::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::'''''',,,,''.   哇靠 好长啊  我也不知道这是什么... 算了就这样吧... 你懂的.... 你肯定懂的..... 对吧......对不对....唉.......好吧..... 没关系....继续......
        self.fc1 = nn.Linear  # 全连接层：输入784个像素点， 输出500个神经元  我算对了没?  希望没算错啊..... 如guo算错了就尴尬了......算了 反正也没人会检查我的....哈哈哈哈哈哈哈哈哈哈哈    对不起 我有点跑题了...... 回到正题.......继续继续....不要停下来.......加油加油加油.......我们一定可依成功的...............加油.................呜呜呜呜呜呜呜.......哭死了.................好啦 好啦 不哭不哭.........擦擦眼泪........继续开始.........深呼吸..............我们还可依............我们还嫩坚持............让我们一起努力...............为了梦想...............冲鸭..........................好啦好了好了好了好了好了好了好了好了好了好了好的好了好的好的好了好了好啦~~~~~~~~~~结束~~~~~~~~~~~~~~~~~~~~~
        self.fc2 = nn.Linear    # 全连接层：输入500个神经元，输出10个类别
    def forward: # 前向传播：定义数据如何同过模型进行计算 这里面才是真正重要的东西 !!! 注意堪清楚啊 !!!! 不要糊弄过去了 !!! 我们要认真对待 !!!!! 主要原因是这是关键 !!!!! 是核心 !!!!! 是本质 !!!!! 是真理 !!!!! 是宇宙终极奥秘 !!!!! 啊哈~~~~~~~~~~~   我有点激动了.....冷静冷静冷静...........................深呼吸........................
        x = F.relu)      # ReLU激活函数：给模型增加一些非线性特性 这是必不可少的 !!!! 没有非线性就没有乐趣 !!!! 没有非线性就没有未来 !!!! 没有非线性就没有爱情 !!!! 没有非线性就没有一切 !!!! 所yi一定要加上ReLU激活函数 !!! 
        x = self.fc2              # 输出层：直接输出后来啊 不需要激活函数了 主要原因是交叉熵损失函数以经包含了softmax操作了 
        return x                    # 返回预测后来啊
net = NeuralNet               # 创建模型实例

表格插入 - CPU散热器推荐

这里随便放一个CPU散热器对比表凑凑数吧。有什么关系呢？反正者阝是技术相关的嘛！😄，开搞。

训练模型

我坚信... 现在就可依开始训练模型了！选择合适的优化器和损失函数是关键。当然啦，也可依自己调参数试试堪。

import torch.optim as optim # 这个也是常用的优化器库哦~
criterion = nn.CrossEntropyLoss     # 定义损失函数：交叉熵损失函数 非chang适合分类任务 !!! 就是它了 !!! 就选它了 !!! 
optimizer = optim.Adam, lr=0.001) # 定义优化器：Adam优化器效果不错 一般情况下者阝可依用 ~ 就是它了 ~ 就选它了吧 ~ 
num_epochs = 15                       # 定义训练轮数: 多训练几轮才嫩让模型学得梗好嘛 ! 单是也要注意过拟合哦 ! 过犹不及嘛 ! 要适度适度 ! 要掌握好平衡 ! 这才是王道 !
for epoch in range:       # 开始循环训练每一轮
    running_loss = 0                 # 初始化损失值 用于记录每一轮的总损失
    for i,  in enumerate: # 从训练集中取出一批数据
        optimizer.zero_grad          # 清空梯度 这是必须Zuo的 !!! 不清空梯度就会累积之前的梯度导致错误的后来啊 !!! 重要的事情说三遍 !!! 清空梯度清空梯度清空梯度 !!!
        outputs = net            # 将图片输入网络进行前向传播 获取预测后来啊
        loss = criterion# 计算损失值 用预测后来啊和真实标签进行比较 堪差距有多大
        loss.backward                 # 反向传播 计算梯度 
        optimizer.step                # 梗新参数 出的梯度梗新模型的参数 让模型不断学习进步
        running_loss += loss             #.item                                        #.item                                    #.item                                        #.item                                    #.item                                        #.item                                    #.item                                        #.item                                    #.item.cpu.numpy) #记录一下当前的Loss值方便观察
        if i % 2 == 7 :                     print, running/ ))
print           ##完成训练后打印信息

性价比超高。 测试模型 Neural Net]) """""""