深度学习--一个分类的例子

说明：

本文会实现自定义模型实现对MINIST数据集的训练，训练完之后还会使用测试集进行测试。所依托的训练集和测试集都是由datasets.MNIST获取到的。

步骤

下载数据

现在来介绍加载 MNIST 数据集并准备训练和测试数据的逻辑。

1. 数据预处理：

   • transforms.Compose 创建了一个数据预处理管道，将多个数据转换操作组合在一起。

     将图像转换为 PyTorch 的张量（tensor).对图像进行标准化，使其均值为 0.1307，标准差为 0.3081。

2. 创建数据集：

   • 我们指出指定MINIST数据集的存储位置,表示如果数据集不存在，便自动下载，从而创建 MNIST 数据集的实例train_dataset。 另使用了transform=transform 指出要使用之前定义的数据预处理管道。

3. 加载数据：

   • 使用 DataLoader 实例批量加载数据，使用batch_size=batch_size 指定每个批次的样本数量，并在每个 epoch 开始时随机打乱数据。

//表示每个训练或测试批次中的样本数量。
batch_size = 64
//进行数据库处理
transform = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307, ), (0.3081, ))
])
​
//创建训练集
train_dataset = datasets.MNIST(root='../dataset/mnist/',
train=True,
download=True,
transform=transform)
//加载训练集
train_loader = DataLoader(train_dataset,
shuffle=True,
batch_size=batch_size)
​
//创建测试集
test_dataset = datasets.MNIST(root='../dataset/mnist/',
train=False,
download=True,
transform=transform)
//加载测试集
test_loader = DataLoader(test_dataset,
shuffle=False,
batch_size=batch_size)

定义神经网络模型

        这段代码定义了一个简单的前馈神经网络模型，用于分类手写数字。 首先，我们定义了一个名为 Net 的类，继承自 torch.nn.Module。（torch.nn.Module是一个基类，用于构建神经网络模型。）
        在 init 方法中，我们初始化了五个全连接层（self.l1 到 self.l5）：

                self.l1：输入层到第一个隐藏层，输入维度为 784（对应 MNIST 图像的像素数），输出维度为 512。

                self.l2：第一个隐藏层到第二个隐藏层，输出维度为 256。

                self.l3：第二个隐藏层到第三个隐藏层，输出维度为 128。

                self.l4：第三个隐藏层到第四个隐藏层，输出维度为 64。

                self.l5：最后一个隐藏层到输出层，输出维度为 10（对应手写数字的类别数）。

      在 forward 方法中，我们定义了数据在网络中的流动：

                首先，输入数据 x 被展平为形状 (batch_size, 784)。然后，通过 ReLU 激活函数依次传        递给每个隐藏层。最后，输出层不使用激活函数，直接返回结果。

      最后，创建了一个名为 m