手写数字识别项目

 

 

 输入灰色图像，只有一个通道，拉平成一维向量，进入2个全连接层，最后输出

 

transforms.Compose可以把一些转换函数组合在一起。

 Normalize([0.5], [0.5])对张量进行归一化，这里两个0.5分别表示对张量进行归一化的全局平均值和方差。因图像是灰色的只有一个通道，如果有多个通道，需要有多个数字，如三个通道，应该是Normalize([m1,m2,m3], [n1,n2,n3])。

 

 

 

  定义Net 类，借助 Sequential 函数组合各网络层，包括线性层、批归一化层等，并在 forward 方法中定义数据前向传播流程，输出经 softmax 处理。

设置学习率和动量参数，根据CUDA是否可用选择运行设备来实例化模型，最后定义交叉熵损失函数和带动量的随机梯度下降优化器。

 动态修改参数学习率，可以不断改变学习率，学习率不能过大，过大将会错过最小的值，过小，速度太慢，所以进行动态修改✖️0.9，在不断减小以便取得最小值

 

生成的图表来看，随着训练轮数增加，训练损失快速下降后趋于平稳，反映出模型损失值在训练过程中逐渐减少