关于一些代码里的解释，可以看我上一篇发布的文章，里面有很详细的介绍！！！
可以依次把下面的代码段合在一起运行，也可以通过jupyter notebook分次运行
第一步：基本库的导入
import numpy as npimport torchimport torch.nn as nnimport torchvisionimport torchvision.transforms as transformsfrom torch.utils.data import DataLoaderimport matplotlib.pyplot as pltimport timenp.random.seed(1234)第二步：引用MNIST数据集，这里采用的是torchvision自带的MNIST数据集
#这里用的是torchvision已经封装好的MINST数据集trainset=torchvision.datasets.MNIST(root='MNIST',#root是下载MNIST数据集保存的路径，可以自行修改train=True,transform=torchvision.transforms.ToTensor(),download=True)testset=torchvision.datasets.MNIST(root='MNIST',train=False,transform=torchvision.transforms.ToTensor(),download=True)trainloader = DataLoader(dataset=trainset, batch_size=100, shuffle=True) #DataLoader是一个很好地能够帮助整理数据集的类，可以用来分批次，打乱以及多线程等操作testloader = DataLoader(dataset=testset, batch_size=100, shuffle=True)下载之后利用DataLoader实例化为适合遍历的训练集和测试集，我们把其中的某一批数据进行可视化，下面是可视化的代码，其实就是利用subplot画了子图。
#可视化某一批数据train_img,train_label=next(iter(trainloader)) #iter迭代器，可以用来便利trainloader里面每一个数据，这里只迭代一次来进行可视化fig, axes = plt.subplots(10, 10, figsize=(10, 10))axes_list = []#输入到网络的图像for i in range(axes.shape[0]):for j in range(axes.shape[1]):axes[i, j].imshow(train_img[i*10+j,0,:,:],cmap="gray")#这里画出来的就是我们想输入到网络里训练的图像，与之对应的标签用来进行最后分类结果损失函数的计算axes[i, j].axis("off")#对应的标签print(train_label)
第三步：用pytorch搭建简单的卷积神经网络（CNN）
这里把卷积模块单独拿出来作为一个类，看上去会舒服一点。
#卷积模块，由卷积核和激活函数组成class conv_block(nn.Module):def __init__(self,ks,ch_in,ch_out):super(conv_block,self).__init__()self.conv = nn.Sequential(nn.Conv2d(ch_in, ch_out, kernel_size=ks,stride=1,padding=1,bias=True),#二维卷积核，用于提取局部的图像信息nn.ReLU(inplace=True), #这里用ReLU作为激活函数nn.Conv2d(ch_out, ch_out, kernel_size=ks,stride=1,padding=1,bias=True),nn.ReLU(inplace=True),)def forward(self,x):return self.conv(x)下面是CNN主体部分，由上面的卷积模块和全连接分类器组合而成。这里只用了简单的几个卷积块进行堆叠，没有采用池化以及dropout的操作。主要目的是给大家简单搭建一下以便学习。
#常规CNN模块（由几个卷积模块堆叠而成）class CNN(nn.Module):def __init__(self,kernel_size,in_ch,out_ch):super(CNN, self).__init__()feature_list = [16,32,64,128,256] #代表每一层网络的特征数，扩大特征空间有助于挖掘更多的局部信息self.conv1 = conv_block(kernel_size,in_ch,feature_list[0])self.conv2 = conv_block(kernel_size,feature_list[0],feature_list[1])self.conv3 = conv_block(kernel_size,feature_list[1],feature_list[2])self.conv4 = conv_block(kernel_size,feature_list[2],feature_list[3])self.conv5 = conv_block(kernel_size,feature_list[3],feature_list[4])self.fc =nn.Sequential( #全连接层主要用来进行分类，整合采集的局部信息以及全局信息nn.Linear(feature_list[4] * 28 * 28, 1024),#此处28为MINST一张图片的维度nn.ReLU(),nn.Linear(1024, 512),nn.ReLU(),nn.Linear(512, 10))def forward(self,x):device = x.devicex1 = self.conv1(x )x2 = self.conv2(x1)x3 = self.conv3(x2)x4 = self.conv4(x3)x5 = self.conv5(x4)x5 = x5.view(x5.size()[0], -1)#全连接层相当于做了矩阵乘法，所以这里需要将维度降维来实现矩阵的运算out = self.fc(x5)return out第四步：训练以及模型保存
先是一些网络参数的定义，包括优化器，迭代轮数，学习率，运行硬件等等的确定。
#网络参数定义device = torch.device("cuda:4")#此处根据电脑配置进行选择，如果没有cuda就用cpu#device = torch.device("cpu")net = CNN(3,1,1).to(device = device,dtype = torch.float32)epochs = 50#训练轮次optimizer = torch.optim.Adam(net.parameters(), lr=1e-4, weight_decay=1e-8)#使用Adam优化器criterion = nn.CrossEntropyLoss()#分类任务常用的交叉熵损失函数train_loss = []然后是每一轮训练的主体：
# Begin trainingMinTrainLoss = 999for epoch in range(1,epochs+1):total_train_loss = []net.train()start = time.time()for input_img,label in trainloader:input_img = input_img.to(device = device,dtype=torch.float32)#我们同样地，需要将我们取出来的训练集数据进行torch能够运算的格式转换label = label.to(device = device,dtype=torch.float32)#输入和输出的格式都保持一致才能进行运算optimizer.zero_grad()#每一次算loss前需要将之前的梯度清零，这样才不会影响后面的更新pred_img = net(input_img) loss = criterion(pred_img,label.long())loss.backward()optimizer.step()total_train_loss.append(loss.item())train_loss.append(np.mean(total_train_loss))#将一个minibatch里面的损失取平均作为这一轮的lossend = time.time()#打印当前的lossprint("epochs[%3d/%3d] current loss: %.5f, time: %.3f"%(epoch,epochs,train_loss[-1],(end-start))) #打印每一轮训练的结果if train_loss[-1]<MinTrainLoss:torch.save(net.state_dict(), "./model_min_train.pth")#保存loss最小的模型MinTrainLoss = train_loss[-1]以下是迭代过程：
第五步：导入网络模型，输入某一批测试数据，查看结果
我们先来看某一批测试数据
#测试机某一批数据test_img,test_label=next(iter(testloader))fig, axes = plt.subplots(10, 10, figsize=(10, 10))axes_list = []#输入到网络的图像for i in range(axes.shape[0]):for j in range(axes.shape[1]):axes[i, j].imshow(test_img[i*10+j,0,:,:],cmap="gray")axes[i, j].axis("off")
然后将其输入到训练好的模型进行预测
#预测我拿出来的那一批数据进行展示cnn = CNN(3,1,1).to(device = device,dtype = torch.float32)cnn.load_state_dict(torch.load("./model_min_train.pth", map_location=device)) #导入我们之前已经训练好的模型cnn.eval() #评估模式test_img = test_img.to(device = device,dtype = torch.float32)test_label = test_label.to(device = device,dtype = torch.float32)pred_test = cnn(test_img)#记住，输出的结果是一个长度为10的tensortest_pred = np.argmax(pred_test.cpu().data.numpy(), axis=1)#所以我们需要对其进行最大值对应索引的处理，从而得到我们想要的预测结果#预测结果以及标签print("预测结果")print(test_pred)print("标签")print(test_label.cpu().data.numpy())
从预测的结果我们可以看到，整体上这么一个简单的CNN搭配全连接分类器对MNIST这一批数据分类的效果还不错。当然，我这里只用了交叉熵损失函数，并且没有计算准确率，仅供大家对于CNN学习和参考。