使用 PyTorch 实现 MNIST 手写数字识别

一、整体背景与目标

以 MNIST 手写数字数据集为对象,借助 PyTorch 框架搭建神经网络,完成 "手写数字分类识别" 任务,同时熟悉nn等工具箱的使用,建立对神经网络流程的直观认知。

二、核心步骤与关键操作

1. 数据准备:从下载到迭代器构建
  • 库与超参数 :导入numpy、torch、torchvision等库,定义batch_size(训练 64、测试 128)、learning_rate(0.01)、num_epochs(20)等超参数。
  • 预处理与加载 :通过transforms将图像转张量(ToTensor)并归一化(Normalize);利用MNIST数据集类下载数据,再通过DataLoader创建 "批量读取 + 打乱" 的训练 / 测试数据迭代器,为后续训练提供数据输入。
2. 数据可视化:直观验证数据形态

使用matplotlib绘制测试集样本,展示手写数字图像及其真实标签(如 "7""2""1" 等),直观确认 "图像 - 标签" 的对应关系,为后续模型效果提供 "直观参照"。

3. 模型构建:神经网络的层次设计

定义继承nn.Module的Net类,通过Sequential组合网络层:

  • 输入处理 :用Flatten将 28×28 的图像展平为一维向量(784 维)。
  • 隐含层 :设计两层 "线性层 + 批归一化(BatchNorm1d)" 结构,配合ReLU激活函数引入非线性。
  • 输出层 :线性层输出 10 类(对应 0-9 数字),再通过Softmax(dim=1)将输出转为 "每类的概率分布"。
4. 模型配置与训练:从初始化到迭代优化
  • 实例化与设备适配 :根据硬件(GPU/CPU)选择计算设备,初始化模型并迁移到对应设备;定义损失函数(CrossEntropyLoss,适配多分类任务)与优化器(SGD,带momentum=0.9加速收敛)。
  • 训练流程 :每个epoch分为 "训练" 与 "测试" 阶段:
    • 训练时,模型设为train()模式,遍历训练数据,执行正向传播 (算预测与损失)、反向传播 (算梯度并更新参数),同时动态调整学习率(每 5 个epoch缩小为原 0.9 倍),记录训练损失与准确率。
    • 测试时,模型设为eval()模式(关闭梯度计算),遍历测试数据,评估模型在 "unseen 数据" 上的损失与准确率,验证泛化能力。
5. 结果可视化:训练效果的直观呈现

绘制 "训练损失曲线",可见损失随epoch增加逐渐下降,说明模型通过训练持续学习、拟合数据,分类能力逐步提升。

三、流程价值与总结

整个过程完整覆盖 "数据处理 - 模型构建 - 训练评估 - 结果可视化" 的深度学习核心环节,既展示了 PyTorch 在神经网络开发中的便捷性,也通过 MNIST 实例直观呈现了 "神经网络如何学习手写数字特征并完成分类" 的过程。从损失曲线与测试准确率可验证:模型有效学习了数据模式,实现了手写数字的准确识别。

四、代码示例

相关推荐
kyle~4 小时前
FastAPI --- 将业务能力以 API 的形式提供给外部系统
python·fastapi·前后端
aiotto资源分享5 小时前
Python 写 JSON 文件,程序中途退出会留下什么?
java·python·json·jsondecodeerror
梯度下降者6 小时前
Python信号量,条件变量,事件学习
python·条件变量·事件·信号量·线程通信
MSTcheng.6 小时前
【AI应用实战】用 FastAPI + SSE 做一个自己的 AI 聊天网页:流式输出、多轮对话与完整源码
人工智能·python·大模型·fastapi·sse·ai聊天助手
the局外人7 小时前
Python 实战检索优化:BM25、向量与重排
数据库·后端·python
__underline__7 小时前
冷门Python知识点006篇:Python 类体里的名字,能被"凭空造出来"
后端·python
用户0332126663678 小时前
使用 Python 轻松移除 Excel 文档中的重复行
python·excel
LiaoWL1238 小时前
从零搭一个 RAG 知识库(二):换上语义 Embedding——BGE 实测与阈值重校准
python·大模型·numpy·embedding·向量检索·rag
Dmz丶8 小时前
前端转 AI 100 天 Day 48:向量数据库——100 万向量的毫秒级检索
python
青少儿编程课堂8 小时前
蓝桥杯·全国青少年信息素养大赛·电子学会Python/C++考级:中国剩余定理解析
c++·python·算法·bfs·信息学竞赛