深度学习全连接神经网络简单实现手写数字识别MNIST数据集-CSDN博客

====================================================================

PyTorch是一个开源的深度学习框架，由Facebook开发并维护，广泛应用于学术研究和工业界。它提供了灵活的张量计算功能（类似于NumPy），并支持GPU加速，同时采用动态计算图（DynamicComputationalGraph）机制，使得模型构建和调试更加直观高效。本文利用PyTorch简单实现MNIST手写数字识别。

====================================================================

GitHub地址：
https://github.com/gao7025/fcc_nn_mnist.git

主要步骤如下：

1.加载已有或下载mnist数据集

定义Dataset与DateLoader，加载已有或下载mnist数据集。

1.1 dataset类对数据进行统一封装，本质是一个表示数据集的抽象类，里面有三个函数:init,getitem,len三个函数。
1.2 dataloader则是加载dataset,并设置其batch_size（单次训练时送入的样本数目），以及shuffle(是否打乱样本顺序，训练集一定要设置shuffle为True，测试集则无强制性规定)
1.3 Compose把多种数据处理的方法集合在一起。将需要被处理的数据转为Tensor类型，数据被转化为Tensor类型后，对其进行减均值（0.1307）和除标准差（0.3081）,以实现数据的正则化。


"""
method 1: load existing dataset
"""
# 定义转换操作
transform = transforms.Compose([
    transforms.ToTensor(),  # 将图片转换为Tensor
    transforms.Normalize((0.1307,), (0.3081,))  # 归一化
])

# 加载训练数据集
train_dataset = datasets.MNIST(root='mnist_data', train=True, download=False, transform=transform)
# 加载测试数据集
test_dataset = datasets.MNIST(root='mnist_data', train=False, download=False, transform=transform)

# 创建数据加载器
train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=64, shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=64, shuffle=False)

print(train_dataset, train_loader)

"""
method 2: load online dataset
"""
batch_size = 512
train_loader = torch.utils.data.DataLoader(
    torchvision.datasets.MNIST('mnist_data', train=True, download=True,
                               transform=torchvision.transforms.Compose([
                                   torchvision.transforms.ToTensor(),
                                   torchvision.transforms.Normalize(
                                       (0.1307,), (0.3081,))
                               ])),
    batch_size=batch_size, shuffle=True)

test_loader = torch.utils.data.DataLoader(
    torchvision.datasets.MNIST('mnist_data/', train=False, download=True,
                               transform=torchvision.transforms.Compose([
                                   torchvision.transforms.ToTensor(),
                                   torchvision.transforms.Normalize(
                                       (0.1307,), (0.3081,))
                               ])),
    batch_size=batch_size, shuffle=False)

print(train_dataset, train_loader)

2.创建神经网络架构

创建一个全连接神经网络（FullyConnectedNetwork），由三层线性变换的全连接层构成，主要用于解决分类任务（如MNIST手写数字识别）。模型通过nn.Module类继承实现，这是PyTorch中构建神经网络的标准方式。


class Net(nn.Module):

    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(28*28, 256)
        self.fc2 = nn.Linear(256, 64)
        self.fc3 = nn.Linear(64, 10)

    # 定义数据如何通过网络流动
    def forward(self, x):
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)

        return x

3.训练网络

设置一个优化器（optimizer）和一个损失准则（losscriterion）。创建一个随机梯度下降（stochasticgradientdescent）优化器，其中，第一个参数包括权重w，和偏置b等是神经网络中的参数；第二个参数lr是学习率；第三个参数momentum是冲量,每次学习中更新量的加减速的系数；第四个参数weight_decay是权重衰减,即L2正则化前面的那个λ参数。


# 创建这个网络架构的实例
net = Net()

# [w1, b1, w2, b2, w3, b3]

# 训练网络
optimizer = optim.SGD(net.parameters(), lr=0.01, momentum=0.9)

# # 创建一个损失函数
# criterion = nn.NLLLoss()
train_loss = []

for epoch in range(3):
    for batch_idx, (x, y) in enumerate(train_loader):
        x = x.view(x.size(0), 28*28)
        out = net(x)
        y_onehot = one_hot(y)
        loss = F.mse_loss(out, y_onehot)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        train_loss.append(loss.item())
        log_interval = 100
        if batch_idx % log_interval == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(x), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.item()))

4.评价与调优

查看训练集与测试集的loss函数曲线和acc曲线，并进行调优。

plot_curve(train_loss)
print('test acc:', acc)

5.保存模型与预测

plot_image(x, pred, 'test')

预测结果
在这里插入图片描述