目录前言一、数据准备二、搭建网络模型三、损失函数四、优化算法五、训练函数六、测试函数七、主执行入口总结前言上一篇我们完整梳理了深度学习的整套训练流程。本篇延续之前介绍的四大核心组件数据、模型、损失函数、优化器完成经典手写数字识别实战案例。本次重在跑通完整工程流程不会深挖底层数学原理带你从零实现一个简易手写数字分类网络。一、数据准备首先导入 PyTorch 生态需要用到的依赖包torch作为基础框架nn用来搭建网络模块DataLoader实现批量读取数据torchvision提供公开数据集与图像预处理工具。import torch from torch import nn # 搭建神经网络 from torch.utils.data import DataLoader # 批量加载数据 from torchvision import datasets # 内置公开数据集 from torchvision.transforms import ToTensor # 图像转为张量Tensor手写数字识别是深度学习计算机视觉领域的经典入门多分类任务核心目标是精准识别并区分 0~9 十种手写数字。本实验采用主流的 MNIST 手写数字数据集可通过 torchvision 库直接在线下载调用无需手动整理数据。数据集样本效果如下图所示我们将以这类手写数字图像作为训练样本完成分类任务。值得注意的是代码下载的原始数据集为二进制格式需通过 ToTensor 预处理转换为模型可运算的张量数据。API 说明datasets.MNIST(root, train, download, transform)root数据集存放 / 读取的本地路径train布尔值True代表训练集False代表测试集download是否自动在线下载数据集transform数据预处理操作将图片转为模型可计算的张量格式MNIST 官方已经提前划分好数据集训练集60000 张样本测试集10000 张样本。training_data datasets.MNIST( root./data, trainTrue, downloadTrue, transformToTensor(), ) # 构建测试集 test_data datasets.MNIST( root./data, trainFalse, downloadTrue, transformToTensor(), )为直观观察数据集样本特征我们编写可视化代码随机展示6张MNIST手写数字样本清晰查看图像形态与对应标签。数据集样本可视化# 可视化展示数据集样本 num_show 6 # 定义展示样本数量 fig, axes plt.subplots(1, num_show, figsize(10, 3)) 遍历样本完成绘图展示 for i in range(num_show): img, label training_data[i] axes[i].imshow(img.squeeze(), cmapgray) # 灰度图展示 axes[i].set_title(fLabel: {label}) # 显示对应真实标签 axes[i].axis(off) # 隐藏坐标轴界面更整洁 plt.tight_layout() # 自适应布局 plt.show() # 展示图像全部数据一次性送入内存或 GPU 训练会造成显存溢出、程序崩溃工程上采用小批量迭代训练借助DataLoader实现分批加载、打乱数据。API 说明DataLoader(data, batch_size, shuffle)batch_size每一批次读取多少张图片这里设置为 64shuffle是否打乱样本顺序训练集打乱防止过拟合测试集不需要打乱train_dataloader DataLoader(training_data, batch_size64, shuffleTrue) test_dataloader DataLoader(test_data, batch_size64, shuffleFalse)二、搭建网络模型自定义网络类net必须继承nn.Module这是 PyTorch 自定义模型的规范。nn.Sequential串行容器把多层操作按顺序拼接上一层输出直接作为下一层输入nn.Flatten()把的二维图片拉直成一维 784 长度的特征向量nn.Linear(in_dim, out_dim)全连接层本质就是特征矩阵和权重矩阵做矩阵乘法运算nn.Sigmoid()激活函数引入非线性变换将数值压缩到本次搭建三层全连接感知机输入层隐藏层输出层最终输出 10 个数字类别的预测得分forward函数定义前向传播逻辑输入图片张量返回网络预测结果。class net(nn.Module): def __init__(self): super().__init__() self.classifier nn.Sequential( nn.Flatten(), nn.Linear(28*28, 128), nn.Sigmoid(), nn.Linear(128,256), nn.Sigmoid(), nn.Linear(256, 10) ) def forward(self,x): y self.classifier(x) return y自动判断运行设备优先使用 NVIDIA 显卡cuda苹果芯片使用mps无加速硬件则使用 CPU提升代码跨平台兼容性。最后把模型迁移到对应设备上。device torch.device(cuda if torch.cuda.is_available() else mps if torch.backends.mps.is_available() else cpu ) model net() model.to(device)三、损失函数多分类任务选用交叉熵损失函数 CrossEntropyLoss专门用来衡量分类任务预测值和真实标签之间的误差。losser nn.CrossEntropyLoss()四、优化算法采用 SGD 随机梯度下降优化器更新网络权重参数lr代表学习率控制每次参数更新的步长。model.parameters()绑定模型所有可学习权重参数w后续反向传播算出的参数梯度 w.grad会自动同步给该优化器optimizer torch.optim.SGD(model.parameters(), lr0.1)五、训练函数PyTorch 深度学习训练遵循四大固定核心步骤也是模型参数迭代优化的核心逻辑步骤顺序有严格规范是模型正常收敛的关键梯度清零optimizer.zero_grad()。每一批次训练开始前必须清空上一轮批次累积的梯度。若不清零梯度会持续累加导致参数更新出错模型无法收敛。前向传播输入数据至模型计算预测结果与真实标签的损失值。该步骤可与梯度清零调换顺序但必须在反向传播之前完成梯度清零。反向传播求梯度loss.backward()。根据损失值反向链式求导自动计算模型所有可学习参数的梯度并将梯度自动存储在参数的w.grad属性中。参数更新optimizer.step()。优化器自动读取参数存储的梯度结合预设学习率通过梯度下降公式更新模型权重完成一轮参数优化。训练函数除完成核心迭代流程外还会累计每一轮训练的全局损失与分类准确率最终输出量化训练指标直观反馈模型训练效果。完整带规范注释的训练代码如下def train(model,device,train_dataloader,loss_fn,optimizer): length len(train_dataloader.dataset) # 统计训练集总样本数 num_batches len(train_dataloader) # 统计训练集总批次数量 model.train() # 开启模型训练模式启用梯度计算、训练专属网络层 sum_loss 0.0 # 初始化全局累计损失 correct 0 # 初始化预测正确样本计数器 # 逐批次遍历训练数据完成迭代训练 for X,y in train_dataloader: X X.to(device) # 将图像特征迁移至训练设备GPU/MPS/CPU y y.to(device) # 将标签迁移至对应训练设备 y_pred model(X) # 前向传播输出10个类别的预测分值有batch个预测值 loss loss_fn(y_pred,y) # 计算当前批次的平均交叉熵损失 optimizer.zero_grad() # 清空历史梯度避免梯度累加 loss.backward() # 反向传播计算参数梯度并存入w.grad optimizer.step() # 优化器读取梯度更新模型权重参数 sum_loss loss.item() # 累加当前批次损失统计全局总损失 # 取预测概率最大值对应的类别与真实标签对比统计正确样本数 correct (y_pred.argmax(1) y).sum().item() # 计算并打印本轮训练的平均准确率与平均损失 print(f平均准确率{correct / length:.4f},平均损失{sum_loss / num_batches:.4f} \n)六、测试函数测试阶段不需要更新权重使用model.eval()关闭 dropout、bn 等训练专用层torch.no_grad()关闭梯度计算节省显存只做前向推理评估模型在未知样本上的泛化能力。def test(model,device,test_dataloader,loss_fn): length len(test_dataloader.dataset) # 测试集总样本数量10000张 num_batches len(test_dataloader) # 测试集总批次数量 model.eval() # 开启模型评估模式关闭训练专属层Dropout、BatchNorm等 sum_loss 0.0 # 初始化测试集总损失 correct 0 # 初始化预测正确样本数 # 关闭梯度计算节省显存、加速推理避免测试阶段产生多余梯度 with torch.no_grad(): # 逐批次遍历测试数据完成模型推理 for X,y in test_dataloader: X X.to(device) # 图像数据迁移至运算设备 y y.to(device) # 标签数据迁移至运算设备 y_pred model(X) # 前向推理得到10个类别的预测分值 loss loss_fn(y_pred,y) # 计算当前批次的测试损失 sum_loss loss.item() # 累加批次损失统计全局测试损失 # 取最高分类别为预测结果统计本轮预测正确的样本数量 correct (y_pred.argmax(1) y).sum().item() 计算并输出测试集整体准确率与平均损失 print(f测试集平均准确率{correct/length:.4f},测试平均损失{sum_loss/num_batches:.4f})七、主执行入口设置迭代轮次epochs10循环完成多轮训练训练全部结束后执行一次完整测试。if __name__ __main__: epochs 10 print(开始训练) for i in range(epochs): print(f第{i 1}轮训练) train(model, device, train_dataloader, losser, optimizer) print(开始测试) test(model, device, test_dataloader, losser)模型训练完成后在未进行任何参数调优的基础条件下测试集准确率即可达到 94% 左右基础模型的分类效果表现优异充分验证了本次搭建的全连接网络结构的有效性。训练输出结果如下总结本次实验完整实现了基于全连接神经网络的 MNIST 手写数字识别任务系统跑通了深度学习标准训练全流程涵盖数据加载、模型搭建、损失计算、梯度反向传播与参数迭代优化等核心环节。本文重点在于夯实基础工程流程后续将进一步讲解模型参数调优、网络结构优化等进阶内容持续提升模型识别精度与泛化能力。