【PyTorch深度学习实践 P9】Softmax

在原代码的基础上添加了tqdm进度条，并使用gpu训练模型
进度条最大值为938，是因为MNIST数据量约60000 = 64（batch-szie） * 938（iteration）。784是通道数（列数），注意区分

# FILE: 学习深度学习/Softmax
# USER: mcfly
# IDE: PyCharm
# CREATE TIME: 2024/9/8 10:17
# DESCRIPTION: softmax + nn.NLLLoss() / nn.CrossEntropyLoss()

import torch
import tqdm
from torchvision import transforms
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F

transform = transforms.Compose([ #数据将按照列表中定义的顺序经过每一个转换步骤
    transforms.ToTensor(),  # 将图像数据从PIL图像或NumPy数组格式转换为PyTorch中的Tensor格式。
                            # 此外，它还将图像的像素值从[0, 255]范围缩放到[0, 1]范围，
                            # 并且会根据图像的通道数来调整其形状（例如，将HxW的灰度图像转换为1xHxW）
    transforms.Normalize((0.1307, ), (0.3081, )) # 对图像进行标准化处理
                                                 # 因为图像是单通道的，所以只有一个均值和一个标准差。
                                                 # 均值 0.1307 是图像数据集所有像素值的平均值。
                                                 # 标准差 0.3081 是图像数据集所有像素值的标准差。
])
train_set = datasets.MNIST( root='./dataset/MNIST', train=True, download=True, transform=transform)
train_loader = DataLoader( train_set, shuffle=True, batch_size=64 )
test_set = datasets