一、MNIST数据集介绍及下载地址
MNIST手写数字识别可以说是机器学习入门的hello word了， MNIST数据集包含70000张手写数字图像:，其中60000张用于训练，10000张用于测试。
官网下载地址：yann.lecun.com/exdb/mnist/
MNIST数据集共有四个文件：
train-images-idx3-ubyte.gz：训练集图片，60000张。
train-labels-idx1-ubyte.gz：训练集图片对应的标签。
t10k-images-idx3-ubyte .gz：测试集图片，10000张。
t10k-labels-idx1-ubyte.gz：测试集图片对应的标签。
图片是0〜9的手写数字图片，共10类，标签是图片的实际数字。每张图片都是28x28的单通道灰度图，且数字居中以减少预处理和加快运行。
可以自己下载数据集并加载迭代器，也可以使用torchvision自带的下载函数进行在线下载。
二、代码结构

data：torchvision在线下载的数据集（程序用的是这个方法）
MNIST：自己下载的数据集（在程序里面没有用到）
save_model：用于存放保存的模型参数的pt文件
dataset.py：数据处理脚本
cnn.py：网络模型脚本
train：训练和测试脚本
eval：验证脚本
三、代码
dataset.py

日期：2021年07月17日

from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision import transforms as tsf
import cv2

batch_size = 64
transform = tsf.Compose([tsf.ToTensor(), tsf.Normalize([0.1307], [0.3081])])

Normalize:正则化，降低模型复杂度,防止过拟合

下载数据集

torchvision已经预先实现了常用的Dataset，包括MINST。可以用datasets.MNIST直接从网上下载，并自动建立名为data的文件夹。

train_set=datasets.MNIST(root="data",train=True,download=True,transform=transform)
test_set=datasets.MNIST(root="data",train=False,download=True,transform=transform)

加载数据集，将数据集变成迭代器

def get_data_loader():

train_loader=DataLoader(dataset=train_set,batch_size=batch_size,shuffle=True)
test_loader=DataLoader(dataset=test_set,batch_size=batch_size,shuffle=True)
return train_loader,test_loader

显示数据集中的图片

with open("data/MNIST/raw/train-images-idx3-ubyte","rb") as f:

file=f.read()

image1=[int(str(item).encode('ascii'),16) for item in file[16:16+784]]

image1_np=np.array(image1,dtype=np.uint8).reshape(28,28,1)

cv2.imshow("image1_np",image1_np)

cv2.waitKey(0)

复制代码
cnn.py

日期：2021年07月17日

import torch.nn as nn
import torch.nn.functional as F

class CNN(nn.Module):

def __init__(self):
    super(CNN, self).__init__()
    self.conv1 = nn.Conv2d(in_channels=1, out_channels=10, kernel_size=(5,5))
    self.conv2 = nn.Conv2d(10, 20, kernel_size=(3,3))
    self.fc1 = nn.Linear(in_features=20*10*10, out_features=500)
    self.fc2 = nn.Linear(500, 10)

def forward(self, x):
    # x.shape = batch_size * channels( = 1) *28 * 28
    input_size=x.size(0)   # 获取batch_size

    x=self.conv1(x)
    # input:batch_size * 1 * 28 * 28   (in_channels=1, out_channels=10)
    # oouput:batch_size * 10 * 24 * 24  (24=28-5+1)

    x=F.relu(x)
    # 激活函数保持shape不变
    # 激活函数使神经网络变成非线性，解决线性模型所不能解决的问题。

    x=F.max_pool2d(x,kernel_size=2,stride=2)
    # input:batch_size * 10 * 24 * 24
    # output:batch_size * 10 * 12 * 12    (stride=2,因此尺寸减半)

    x=self.conv2(x)
    # input:batch_size * 10 * 12 * 12   (in_channels=1, out_channels=10)
    # output:batch_size * 20 * 10 * 10  (10=12-3+1)

    x=F.relu(x)

    x=x.view(input_size,-1)
    # view()中，当某一维是-1时，会根据给定维度自动计算它的大小
    # 因此-1表示的维度是： batch_size * 20 * 10 * 10 / batch_size = 20 * 10 * 10 =2000

    x=self.fc1(x)
    # input:batch_size * 2000
    # output:batch_size * 500

    x=F.relu(x)

    x=self.fc2(x)
    # input:batch_size * 500
    # output:batch_size * 10    变成十分类

    output=F.log_softmax(x,dim=1)
    # 计算x属于每个分类的概率
    # dim=1表示按行计算

    return output

复制代码
train.py

日期：2021年07月17日

import torch
import cnn
import torch.nn.functional as F
from dataset import get_data_loader
import torch.optim as optim

if name == "__main__":

# 超参
batch_size=64
device=torch.device("cuda" if torch.cuda.is_available() else "cpu")
epoch = 5

# 选择模型
model=cnn.CNN().to(device)

# 定义优化器
optimizer=optim.Adam(model.parameters())

# 加载迭代器
train_loader, test_loader = get_data_loader()

# 训练
def train(epoch_i):
    model.train()   # 设置为训练模式
    for batch_i,(digit,label) in enumerate(train_loader):
        digit,label=digit.to(device),label.to(device)
        optimizer.zero_grad()    # 梯度初始化为0
        output=model(digit)     # 训练结果,output是概率
        loss=F.cross_entropy(output,label)     # 定义损失函数,交叉熵损失函数适用于多分类问题
        loss.backward()    # 反向传播
        optimizer.step()    # 更新参数

        if batch_i % 100 == 0:
            print("train    epoch_i: {}    batch_i: {}    loss: {: .8f}".format(epoch_i,batch_i,loss.item()))

# 测试
def test(epoch_i):
    model.eval()    # 设置为测试模式
    acc = 0.
    loss = 0.
    with torch.no_grad():
        for digit, label in test_loader:
            digit, lable = digit.to(device), label.to(device)
            output = model(digit)  # 模型输出
            loss += F.cross_entropy(output, lable).item()

            predict = output.max(dim=1, keepdim=True)[1]
            # 找到概率最大值的下标，1表示按行计算。
            # max()返回两个值，第一个是值，第二个是索引，所以取 max[1]

            acc += predict.eq(label.view_as(predict)).sum().item()
        accuracy = acc / len(test_loader.dataset) * 100
        test_loss = loss / len(test_loader.dataset)
        print("test     epoch_i: {}    loss: {: .8f}    accuracy: {: .4f}%".format(epoch_i,test_loss,accuracy))

# train && test
for epoch_i in range(1,epoch+1):
    train(epoch_i)
    test(epoch_i)

# 保存模型
torch.save(model,"save_model/model.pt")

复制代码
eval.py

日期：2021年07月17日

import torch
from dataset import get_data_loader

if name == "__main__":

_, eval_loader = get_data_loader()   # 因为没有验证集，所以将测试题作为验证集使用。
batch_size = 64
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = torch.load("save_model/model.pt")    # 加载模型
# model.eval()  # 设置为验证模式

acc = 0.  
with torch.no_grad():
    for digit, label in eval_loader:
        digit, lable = digit.to(device), label.to(device)
        output = model(digit)  # 模型输出
        predict = output.max(dim=1, keepdim=True)[1]
        # 找到概率最大值的下标，1表示按行计算。
        # max()返回两个值，第一个是值，第二个是索引，所以取 max[1]

        acc += predict.eq(label.view_as(predict)).sum().item()
    acceracy = acc/len(eval_loader.dataset) * 100
    print("eval accuracy: {: .4f}%".format(acceracy))

复制代码
四、代码运行命令及测试精度
训练：python train.py
验证：python eval.py
训练精度：
test epoch_i: 1 loss: 0.00083338 accuracy: 98.2700%
test epoch_i: 2 loss: 0.00053913 accuracy: 98.8400%
test epoch_i: 3 loss: 0.00059983 accuracy: 98.8800%
test epoch_i: 4 loss: 0.00063796 accuracy: 98.7200%
test epoch_i: 5 loss: 0.00056076 accuracy: 98.8800%
复制代码
验证精度：
eval accuracy: 98.8800%
复制代码
因为MNIST数据集没有单独的验证集，所以将测试集当做验证集使用。保存的模型是最后一个epoch的模型。因此eval accuracy与最后一个epoch的test accuracy相同。
这个程序只是为了熟悉pytorch深度学习的基本流程，训练集的选择和精度并不重要。