手写数字识别入门实战

《手写数字识别实战：从逻辑回归到CNN的进阶之路（完整代码解析）》

## 📚 前言  
手写数字识别（MNIST）是机器学习领域的"Hello World"。本文将从最简单的逻辑回归模型出发，逐步实现ANN和CNN，通过**完整代码+可视化训练过程**，带你直观感受不同模型的性能差异。文末附完整代码和数据集！

---

## 🛠️ 环境准备  
```python
# 基础库
import torch
import torch.nn as nn
from torchvision import datasets, transforms

# 可视化
import matplotlib.pyplot as plt
%matplotlib inline

# 设置GPU加速
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

📈 模型效果对比

模型	最高准确率	训练时间（15 epochs）
逻辑回归	85.85%	~2分钟
ANN	96.26%	~2分钟
CNN	98.26%	~2分钟

一、逻辑回归：基础入门

1. 核心代码

class LogisticRegression(nn.Module):
    def __init__(self, input_dim, output_dim):
        super().__init__()
        self.linear = nn.Linear(input_dim, output_dim)
        
    def forward(self, x):
        return self.linear(x)

2. 训练过程

Epoch: 15/15 | Iteration: 9500 | Loss: 0.5245 | Accuracy: 85.85%

二、增强版ANN（三隐藏层）