锡林郭勒盟网站建设_网站建设公司_电商网站_seo优化

一、MNIST 手写数字数据集的分类

1.数据集加载与可视化

# 加载MNIST训练集和测试集 train_data=datasets.MNIST( root="data", # 数据保存路径 train=True, # 加载训练集 download=True, # 如果本地没有则自动下载 transform=ToTensor(),# 将图片转为PyTorch的Tensor格式，并归一化到[0,1] ) test_data=datasets.MNIST( root="data", train=False, # 加载测试集 download=True, transform=ToTensor(), ) # 可视化9张样本图片（从第59000个样本开始） from matplotlib import pyplot as plt figure=plt.figure() for i in range(9): img,label=train_data[i+59000] # 获取第59000+i个样本的图片和标签 figure.add_subplot(3,3,i+1) # 创建3x3的子图布局 plt.title(label) # 显示图片对应的数字标签 plt.axis("off") # 关闭坐标轴 plt.imshow(img.squeeze(),cmap="gray") # 显示图片（squeeze()去掉维度为1的通道维度） a=img.squeeze() # 只是临时保存处理后的图片，无实际作用 plt.show() # 展示图片

ToTensor()：将 PIL 图片转为形状为[C, H, W]（通道、高度、宽度）的 Tensor，且像素值从[0,255]归一化到[0,1]
img.squeeze()：MNIST 图片是单通道（维度为 1），squeeze()会去掉这个维度，从[1,28,28]变为[28,28]，才能被 matplotlib 正确显示

2. 数据加载器（DataLoader）创建

# 创建数据加载器，按批次加载数据 train_dataloader=DataLoader(train_data,batch_size=64) # 训练集批次大小64 test_dataloader=DataLoader(test_data,batch_size=64) # 测试集批次大小64

DataLoader：PyTorch 的核心数据加载工具，将数据集按batch_size分成多个批次，支持多线程加载、打乱数据等

3. 设备配置

device ="cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu" print(f"Using {device} device")

1.这是 PyTorch 跨平台的设备配置方式，确保代码能在不同硬件上运行
2.后续模型和数据都会被移到这个设备上，利用 GPU 加速计算

4. CNN 模型定义

class CNN(nn.Module):#通过调用类的形式来使用神经网络，神经网络的模型，nn.module1个用法 def __init__(self):#python基础关于类，self类自己本身 super(CNN,self).__init__()#继承的父类初始化 self.conv1=nn.Sequential( nn.Conv2d(1,16,5,1,2), nn.ReLU(), nn.MaxPool2d(kernel_size=2) ) self.conv2=nn.Sequential( nn.Conv2d(16,32,5,1,2), nn.ReLU(), nn.Conv2d(32,32,5,1,2), nn.ReLU(), nn.MaxPool2d(kernel_size=2), nn.Conv2d(32, 64, 5, 1, 2), nn.ReLU(), ) # self.conv3=nn.Sequential( # nn.Conv2d(32, 64, 5, 1, 2), # nn.ReLU(), # ) self.out=nn.Linear(64*7*7,10) def forward(self,x): x = self.conv1(x) x=self.conv2(x) # x=self.conv3(x) x=x.view(x.size(0),-1) output=self.out(x) return output model=CNN().to(device)#把刚刚创建的模型传入到Gpu print(model)

1）.nn.Sequential：按顺序堆叠网络层，简化代码
2）.nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding)：卷积层参数说明：
.padding=2：在图片边缘填充 2 个像素，保证卷积后尺寸不变（计算公式：H_out = (H_in + 2*padding - kernel_size)/stride + 1）
4）.x.view(x.size(0),-1)：view是重塑张量形状，-1表示自动计算该维度大小，目的是将二维特征图转为一维向量，输入全连接层
5）.model.to(device)：将模型的所有参数移到指定设备

5.训练函数

def train(dataloader,model,loss_fn,optimizer): model.train() # 切换到训练模式（启用Dropout、BatchNorm等训练特有的层） batch_size_num=1 # 统计批次数量 for x,y in dataloader: # 遍历每个批次 x,y = x.to(device),y.to(device) # 数据移到指定设备 pred= model.forward(x) # 前向传播得到预测值（可简写为model(x)） loss = loss_fn(pred,y) # 计算预测值和真实标签的损失 # 反向传播三部曲 optimizer.zero_grad() # 清空上一轮的梯度（否则会累加） loss.backward() # 反向传播计算梯度 optimizer.step() # 根据梯度更新模型参数 loss_value=loss.item() # 提取损失值（从Tensor转为普通数值） if batch_size_num %100 ==0: # 每100个批次打印一次损失 print(f"loss:{loss_value:>7f} [number:{batch_size_num}]") batch_size_num +=1

• model.train()：启用训练模式，比如 BatchNorm 会更新均值 / 方差，Dropout 会随机丢弃神经元

• optimizer.zero_grad()：PyTorch 的梯度会累加，所以每次迭代前必须清空

• loss.backward()：计算所有可训练参数的梯度

• optimizer.step()：用优化器更新参数（Adam 算法）

6.测试函数

def test(dataloader,model,loss_fn): size =len(dataloader.dataset) # 测试集总样本数（10000） num_batches=len(dataloader) # 测试集总批次 model.eval() # 切换到评估模式（关闭Dropout、固定BatchNorm） test_loss,correct =0,0 # 初始化总损失和正确数 with torch.no_grad(): # 禁用梯度计算（测试时不需要，节省内存和计算） for x,y in dataloader: x,y = x.to(device),y.to(device) pred=model.forward(x) test_loss+=loss_fn(pred,y).item() # 累加批次损失 # 计算正确预测数：pred.argmax(1)取每行最大值索引（预测类别），和真实标签比较 correct +=(pred.argmax(1)== y).type(torch.float).sum().item() test_loss/=num_batches # 计算平均损失 correct/=size # 计算准确率 print(f"Test result:\n Accuracy:{(100*correct)}%，Avg loss: {test_loss}")

• model.eval()：切换到评估模式，保证 Dropout/BatchNorm 的行为和训练一致

• torch.no_grad()：上下文管理器，禁用梯度计算，大幅提升测试速度

• pred.argmax(1)：在维度 1 上取最大值索引（每个样本的预测类别）

7.测试结果

# 定义损失函数（交叉熵损失，适合分类任务） loss_fn=nn.CrossEntropyLoss() # 定义优化器（Adam，学习率0.01） optimizer=torch.optim.Adam(model.parameters(),lr=0.01) # 训练10个epoch（完整遍历数据集10次） for t in range(10): print(f"Epoch {t+1}\n----------") train(train_dataloader,model,loss_fn,optimizer) print("Done!") # 训练完成后测试模型 test(test_dataloader,model,loss_fn)

nn.CrossEntropyLoss()：结合了log_softmax和nll_loss，是分类任务的标准损失函数 torch.optim.Adam：Adam 优化器是目前最常用的优化器之一，自适应学习率