第P1周：Pytorch实现mnist手写数字识别

---

FROM

• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊

---

我的环境

• 语言环境：Python 3.8.10
• 开发工具：Jupyter Lab
• 深度学习环境：
  • torch==1.12.1+cu113
  • torchvision==0.13.1+cu113

---

1. 准备知识

1.1 检查环境

import torch  # 导入PyTorch库，用于构建深度学习模型
import torch.nn as nn  # 导入torch.nn模块，包含构建神经网络所需的类和函数
import matplotlib.pyplot as plt  # 导入matplotlib.pyplot模块，用于数据可视化
import torchvision  # 导入torchvision库，包含处理图像和视频的工具和预训练模型

# 设置硬件设备，如果有GPU则使用，没有则使用cpu
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")  # 检查系统是否有可用的GPU，如果有则使用GPU，否则使用CPU
device  # 打印当前设备，以确认是使用GPU还是CPU

输出：

1.2 数据导入

torchvision.datasets.MNIST
torchvision.datasets是Pytorch自带的一个数据库，可以通过代码在线下载数据。

这行代码是用于加载MNIST数据集的。MNIST是一个大型的手写数字数据库，常用于训练各种图像处理系统。代码中的参数含义如下：

• root: 数据集的本地存储路径。
• train: 布尔值，如果为True，则加载训练集；如果为False，则加载测试集。
• transform: 一个可选的transform，用于对图像进行预处理操作，例如缩放、裁剪等。这里设置为None，表示不进行任何预处理。
• target_transform: 一个可选的transform，用于对标签进行预处理操作。这里设置为None，表示不进行任何预处理。
• download: 布尔值，如果为True，则从网上下载数据集并存储到root指定的路径；如果为False，则假定数据集已经存在于该路径下。

torchvision.datasets.MNIST(  # 调用torchvision中的MNIST数据集类
    root,  # 指定数据集的存储路径
    train=True,  # 指定加载训练集，如果设置为False，则加载测试集
    transform=None,  # 指定如何对图像进行预处理，例如缩放、裁剪等，这里设置为None，表示不进行预处理
    target_transform=None,  # 指定如何对标签进行预处理，这里设置为None，表示不进行预处理
    download=False  # 指定是否需要下载数据集，如果数据集已经存在于root路径下，则设置为False
)

train_ds = torchvision.datasets.MNIST(  # 创建MNIST训练集数据对象
    'data',  # 指定数据集的存储路径
    train=True,  # 指定加载训练集
    transform=torchvision.transforms.ToTensor(),  # 指定预处理操作，将图像转换为Tensor
    download=True  # 如果数据集不存在，则下载数据集
)

test_ds = torchvision.datasets.MNIST(  # 创建MNIST测试集数据对象
    'data',  # 指定数据集的存储路径
    train=False,  # 指定加载测试集
    transform=torchvision.transforms.ToTensor(),  # 指定预处理操作，将图像转换为Tensor
    download=True  # 如果数据集不存在，则下载数据集
)

输出：

torch.utils.data.DataLoader
torch.utils.data.DataLoader是Pytorch自带的一个数据加载器，结合了数据集和取样器，并且可以提供多个线程处理数据集。

torch.utils.data.DataLoader(
    dataset,  # 要加载的数据集对象
    batch_size=1,  # 每个批次的样本数，默认为1
    shuffle=None,  # 是否在每个epoch开始时打乱数据，默认为None，根据sampler和batch_sampler的设置决定
    sampler=None,  # 定义从数据集中抽取样本的策略，如果设置了sampler，则shuffle应为False
    batch_sampler=None,  # 与sampler类似，但返回的是样本索引的批次
    num_workers=0,  # 加载数据时使用的进程数，0表示单进程，正整数表示多进程
    collate_fn=None,  # 决定如何将多个样本合并为一个批次的函数，默认为'default_collate'
    pin_memory=False,  # 如果设置为True，则在将数据从CPU传输到GPU之前，先将数据放到CUDA固定内存中
    drop_last=False,  # 如果为True，则在数据集大小不能被batch_size整除时，丢弃最后一个不完整的批次
    timeout=0,  # 如果大于0，则设置为非零超时时间，用于数据加载
    worker_init_fn=None,  # 每个工作进程启动时调用的函数
    multiprocessing_context=None,  # 用于数据加载进程的多进程上下文
    generator=None,  # 当使用随机采样时使用的随机数生成器
    *,  # 确保以下参数必须作为关键字参数传递
    prefetch_factor=2,  # 数据加载器的预取因子，用于控制预取的数据量
    persistent_workers=False,  # 如果为True，则在所有数据加载完成后，工作进程不会退出
    pin_memory_device='',  # 指定用于pin_memory的设备，默认为CPU
)

• dataset: 你想要加载