神经网络入门（手写体的识别torch+jupyter+Mnist数据集）

前言：本文记录一下深度学习的学习过程，之前虽然看过很多次相关的项目，但是一直没有养成记录的好习惯，就导致了边学边忘的后果，写这边博客就是为了记录一下自己的学习过程，加深一下对神经网络搭建流程的印象。

数据集的选择，因为本文就是一篇入门级的博客，所以这里数据集选择的是mnist数据集，相对简单、易懂。

话不多说，直接上代码：

第一步：直接导入mnist数据集，并打印看看结果

 结果如下：

可以看出，mnist数据集的训练集有5000张图象，其中每一张都是灰度图像，都是（28，28）的 。

第二步：将数据转换成tensor的格式，这样才能用于训练

 第三步：定义损失函数，这里只做了一个小测试，所以用的是nn.function，损失函数用的是交叉熵损失函数

 这里.mm就是相乘的意思，矩阵乘法，下面进行一个简单的测试，取了训练集的64个，用最简单的全连接层，也就y=kx+b，作为前线传播的，来计算64个样本的损失，可以看出，是完全没有问题的。

 第四步：最重要的一步，就是构建模型了，构建模型分为两部分，第一部分就是初始化模型，设定好你所需要的所有的层的输入和输出；第二部分就是写的前向传播过程，也就是整个网络的传播过程。

 这里采用的网络很简单，就两个全连接以及一个输出层，就不多做赘述了。网络结构如下：

可用name_parameters函数来打印网络的参数

 

 第五步：把训练集和验证集按照batch_size打包

 第六步：定义训练过程

值得注意的是，训练时需要加梯度下降，因为需要更新，而验证时只是起到一个检测的作用，不需要进行梯度下降

 

 在训练进行梯度更新时，要注意要把之前的梯度清零，因为torch的机制中梯度是累加的。

第七步：最后定义模型和优化器，进行训练

 

这里的25，就相当于epoch

结果如下：

 

 改进的方式有很多，加入dropout等等，这里就不在改了，下面总结一下代码的总体流程：