请你对于上述实验总结进行扩充并且结合在一起

在这次实验中，我们使用了三个不同的工具，包括Python编程语言、Jupyter Notebook和PyTorch框架来进行深度学习模型的构建和训练。我们通过使用卷积神经网络（CNN）模型对手写数字数据集进行分类，来了解深度学习的基本原理和应用。以下是我们对这次实验的扩充和总结：

1. Python编程语言是一种非常流行的程序语言，特别适合用于数据科学和机器学习领域。Python提供了许多方便的库和工具，如NumPy、Pandas和Matplotlib等，可以帮助我们处理和可视化数据，以及进行各种统计和机器学习任务。

2. Jupyter Notebook是一个交互式的笔记本环境，允许我们在一个单一的界面中编写代码、运行代码和展示结果。它非常适合用于实验和教学，因为它可以方便地记录和分享代码和结果。

3. PyTorch是一个非常流行的深度学习框架，提供了许多方便的函数和类，可以帮助我们构建和训练深度学习模型。PyTorch使用动态图形来构建模型，这意味着我们可以在构建模型的同时进行调试和修改，非常方便。

4. CNN是一种非常流行的深度学习模型，特别适合用于图像分类和识别任务。CNN模型包括多个卷积层、池化层和全连接层，可以有效地提取图像中的特征，并输出分类结果。

5. 在本实验中，我们使用了MNIST数据集，它是一个包含手写数字图像的数据集。我们将数据集分为训练集和测试集，并使用PyTorch框架来构建和训练CNN模型。通过使用交叉熵损失函数和随机梯度下降优化算法，我们成功地训练了一个精度高达98%的模型。

总之，本实验的目的是让我们了解深度学习的基本原理和应用，以及使用Python编程语言、Jupyter Notebook和PyTorch框架来构建和训练深度学习模型。通过本实验的学习，我们可以更好地理解深度学习的概念和原理，并为以后的深度学习项目打下坚实的基础