机器学习：pytorch框架（8）--实例：神经网络实现分类任务（基于MNIST数据集手写数字识别）

 学习记录总结专栏：机器学习：PyTorch框架-个人学习总结（专栏）https://blog.youkuaiyun.com/spiderb/category_12838886.html

---

1 前言

在寻找示例之后，开始理解代码和运行实现之前，别忘了实现模型的一般的5个步骤：

本次，使用深度学习最常用的数据集：Mnist数据集.

‌MNIST是一个手写数字图像数据集，包含了大量的手写数字图片及其对应的标签，被广泛应用于图像分类和机器学习领域。‌ MNIST数据集由美国中学生手写数字组成，训练集包含6万张图片，测试集包含1万张图片，数字已经进行过预处理和格式化，图片尺寸固定为28×28。‌
Mnist数据集的下载地址： http://yann.lecun.com/exdb/mnist/

在下载后，通过 pickle.load加载对应的数据集后，可以打印出来数据图片：

from matplotlib import pyplot
import numpy as np

pyplot.imshow(x_train[0].reshape((28, 28)), cmap="gray")
print(x_train.shape)

当然，加载方式我们也可以选择pytorch内置的函数进行：

# 下载数据集
from torchvision import datasets, transforms

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

# datasets.MNIST：是Pytorch的内置函数torchvision.datasets.MNIST，可以导入数据集
# train=True ：读入的数据作为训练集
# transform：读入我们自己定义的数据预处理操作
# download=True：当我们的根目录（root）下没有数据集时，便自动下载

2 数据处理

如果是采用pickle.load加载数据，那么我们需要使用map对数据进行数据类型转化，转化为pytorch框架的tensor数据类型。

x_train, y_train, x_valid, y_valid = map(
    torch.tensor, (x_train, y_train, x_valid, y_valid)
)

# 如果是内置的方式，我们还可以自定义一个预处理：将两个步骤整合在一起
train_set = datasets.MNIST("data",train=True,download=True, transform=transforms.ToTensor(),)
test_set = datasets.MNIST("data",train=False,download=True, transform