用Python构建神经网络处理MNIST手写数字集

以下是用Python构建神经网络处理MNIST手写数字集的步骤，并附带代码示例：

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader
from torchvision import datasets, transforms

# Step 1: 加载数据
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
])

train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True)
test_dataset = datasets.MNIST(root='./data', train=False, transform=transform, download=True)

train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)

# Step 2: 数据加工

# Step 3: 搭建网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(784, 256)
        self.fc2 = nn.Linear(256, 128)
        self.fc3 = nn.Linear(128, 10)
        self.relu = nn.ReLU()
    
    def forward(self, x):
        x = x.view(-1, 784)
        x = self.relu(self.fc1(x))
        x = self.relu(self.fc2(x))
        x = self.fc3(x)
        return x

model = Net()

# Step 4: 定义网络参数
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# Step 5: 进行100次epoch
for epoch in range(100):
    running_loss = 0.0
    for i, data in enumerate(train_loader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        
        running_loss += loss.item()
        if i % 100 == 99:
            print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 100))
            running_loss = 0.0

print('Finished training')

# Step 6: 使用准确率来评估模型性能
correct = 0
total = 0
with torch.no_grad():
    for data in test_loader:
        images, labels = data
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %.2f %%' % (100 * correct / total))

代码说明：

1. 加载数据： 使用torchvision.datasets.MNIST加载MNIST数据集，并使用torchvision.transforms.Compose对数据进行预处理，包括转换为Tensor和归一化。
2. 数据加工： 使用torch.utils.data.DataLoader将数据集封装成数据加载器，方便后续训练和测试。
3. 搭建网络模型： 定义了一个包含两层隐藏层的神经网络，使用nn.Linear创建全连接层，并使用nn.ReLU作为激活函数。
4. 定义网络参数： 定义交叉熵损失函数nn.CrossEntropyLoss和优化器optim.SGD。
5. 进行训练： 使用循环进行训练，每个循环称为一个epoch。在每个epoch中，对训练数据进行迭代，计算损失，进行反向传播，并更新模型参数。
6. 评估模型性能： 使用测试数据评估模型性能，计算模型在测试集上的准确率。

注意：

• 此代码假设您已经安装了PyTorch库，并且MNIST数据集已经下载到./data目录中。
• 您还可以根据需要更改批量大小，学习率和其他超参数。

希望以上信息对您有所帮助。如果您有任何问题，请随时提出。