一、数据准备
首先，我们要获取 MNIST 数据集。PyTorch 内置了方便的函数，能直接下载该数据集。下载完成后，利用 torchvision 的预处理模块，对数据进行转换，比如将图像转为张量，并进行归一化操作，让数据更适合神经网络处理。接着，通过 torch.utils.data 的 DataLoader，创建数据迭代器，这样在训练和测试时就能按批次获取数据了。
二、数据可视化
为了更直观地了解数据，我们可以将 MNIST 的源数据进行可视化。借助 matplotlib 库，能把手写数字图像展示出来，还可以标注出每个图像对应的真实标签，这样能让我们对要处理的数据有更清晰的认识。
三、构建神经网络模型
我们构建的神经网络包含两个隐含层，每层使用 ReLU 激活函数，它能有效解决梯度消失问题，加快网络训练。输出层使用 softmax 激活函数，将输出转化为概率分布，方便我们判断数字类别。最后，通过 torch.max 函数找出输出张量中最大值对应的索引，这个索引就是模型预测的数字类别。
四、模型训练与优化
实例化模型后，定义损失函数和优化器。这里使用交叉熵损失函数，它适合多分类任务；优化器选择 SGD，并设置合适的学习率和动量。在训练过程中，我们会动态调整学习率，让模型更好地收敛。同时，记录训练过程中的损失和准确率，以及在测试集上的表现，通过这些指标来评估模型的训练效果。
五、结果可视化
训练完成后，我们可以将训练过程中的损失变化进行可视化。通过绘制损失曲线，能清晰地看到模型在训练过程中损失是如何逐渐降低的，从而直观地了解模型的学习过程。
通过这个 MNIST 手写数字识别的实例，我们能很好地掌握使用 PyTorch 构建、训练神经网络的基本流程，为后续深入学习深度学习打下坚实的基础。