一、任務描述

????????從手寫數字圖像中自動識別出對應的數字（0-9）” 的問題，屬于單標簽圖像分類任務（每張圖像僅對應一個類別，即 0-9 中的一個數字）

? ? ? ? 1、任務的核心定義：輸入與輸出

• 輸入：28×28 像素的灰度圖像（像素值范圍 0-255，0 代表黑色背景，255 代表白色前景），圖像內容是人類手寫的 0-9 中的某一個數字，例如：一張 28×28 的圖像，像素分布呈現 “3” 的形狀，就是模型的輸入。
• 輸出：一個 “類別標簽”，即從 10 個可能的類別（0、1、2、…、9）中選擇一個，作為輸入圖像對應的數字，例如：輸入 “3” 的圖像，模型輸出 “類別 3”，即完成一次正確識別。
• 目標：讓模型在 “未見的手寫數字圖像” 上，盡可能準確地輸出正確類別（通常用 “準確率” 衡量，即正確識別的圖像數 / 總圖像數）

? ? ? ? 2、任務的核心挑戰

• 不同人書寫習慣差異極大：有人寫的 “4” 帶彎鉤，有人寫的 “7” 帶橫線，有人字體粗大，有人字體纖細；甚至同一個人不同時間寫的同一數字，筆畫粗細、傾斜角度也會不同。例如：同樣是 “5”，可能是 “直筆 5”“圓筆 5”，也可能是傾斜 10° 或 20° 的 “5”—— 模型需要忽略這些 “風格差異”，抓住 “數字的本質特征”（如 “5 有一個上半圓 + 一個豎線”）。
• 圖像噪聲與干擾：手寫數字圖像可能存在噪聲，比如紙張上的污漬、書寫時的斷筆、掃描時的光線不均，這些都會影響像素分布。例如：一張 “0” 的圖像，邊緣有一小塊污漬，模型需要判斷 “這是噪聲” 而不是 “0 的一部分”，避免誤判為 “6” 或 “8”。

二、模型訓練

? ? ? ?1、MNIST數據集

????????MNIST（Modified National Institute of Standards and Technology database）是由美國國家標準與技術研究院（NIST）整理的手寫數字數據集，后經修改（調整圖像大小、居中對齊）成為機器學習領域的 “基準數據集”，MNIST手寫數字識別的核心是 “讓計算機從標準化的手寫數字灰度圖中，自動識別出對應的 0-9 數字”，它看似基礎，卻濃縮了圖像分類的核心挑戰（風格多樣性、噪聲魯棒性、特征自動提取），同時是實際 OCR 場景的技術基礎和機器學習入門的經典案例。

• 數據量適中：包含 70000 張圖像，其中 60000 張用于訓練（讓模型學習特征），10000 張用于測試（驗證模型泛化能力）；
• 圖像規格統一：所有圖像都是 28×28 灰度圖，無需復雜的預處理（如尺寸縮放、顏色通道處理），降低入門門檻；
• 標注準確：每張圖像都有明確的 “正確數字標簽”（人工標注），無需額外標注成本。

? ? ? ? 2、代碼

• 數據準備：使用torchvision.datasets加載 MNIST 數據集，對數據進行轉換（轉為 Tensor 并標準化），使用DataLoader創建可迭代的數據加載器；
• 模型定義：定義了一個簡單的兩層神經網絡SimpleNN，第一層將 28x28 的圖像展平后映射到 128 維，第二層將 128 維特征映射到 10 個類別（對應數字 0-9）；
• 訓練設置：使用交叉熵損失函數（CrossEntropyLoss），使用 Adam 優化器，設置批量大小為64，訓練輪次為5；
• 訓練過程：循環多個訓練輪次（epoch），每個輪次中迭代所有批次數據，執行前向傳播、計算損失、反向傳播和參數更新。

# -*- coding: utf-8 -*-
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader
from torchvision import datasets, transforms# 設置隨機種子，確保結果可復現
torch.manual_seed(42)# 1. 數據準備
# 定義數據變換
transform = transforms.Compose([transforms.ToTensor(),  # 轉換為Tensortransforms.Normalize((0.1307,), (0.3081,))  # 標準化，MNIST數據集的均值和標準差
])# 加載MNIST數據集
train_dataset = datasets.MNIST(root='./data',  # 數據保存路徑train=True,  # 訓練集download=True,  # 如果數據不存在則下載transform=transform
)test_dataset = datasets.MNIST(root='./data',train=False,  # 測試集download=True,transform=transform
)# 創建數據加載器
batch_size = 64
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)# 2. 定義模型
class SimpleNN(nn.Module):def __init__(self):super(SimpleNN, self).__init__()# 輸入層到隱藏層self.fc1 = nn.Linear(28 * 28, 128)  # MNIST圖像大小為28x28# 隱藏層到輸出層self.fc2 = nn.Linear(128, 10)  # 10個類別（0-9）def forward(self, x):# 將圖像展平為一維向量x = x.view(-1, 28 * 28)# 隱藏層，使用ReLU激活函數x = torch.relu(self.fc1(x))# 輸出層，不使用激活函數（因為后面會用CrossEntropyLoss）x = self.fc2(x)return x# 3. 初始化模型、損失函數和優化器
model = SimpleNN()
criterion = nn.CrossEntropyLoss()  # 交叉熵損失，適用于分類問題
optimizer = optim.Adam(model.parameters(), lr=0.001)  # Adam優化器# 4. 訓練模型
def train(model, train_loader, criterion, optimizer, epochs=5):model.train()  # 設置為訓練模式train_losses = []for epoch in range(epochs):running_loss = 0.0for batch_idx, (data, target) in enumerate(train_loader):# 清零梯度optimizer.zero_grad()# 前向傳播outputs = model(data)loss = criterion(outputs, target)# 反向傳播和優化loss.backward()optimizer.step()running_loss += loss.item()# 每100個批次打印一次信息if batch_idx % 100 == 99:print(f'Epoch [{epoch + 1}/{epochs}], Batch [{batch_idx + 1}/{len(train_loader)}], Loss: {running_loss / 100:.4f}')running_loss = 0.0train_losses.append(running_loss / len(train_loader))return train_losses# 6. 運行訓練和測試
if __name__ == '__main__':# 訓練模型print("開始訓練模型...")train_losses = train(model, train_loader, criterion, optimizer, epochs=5)print("模型訓練完成...")# 保存模型torch.save(model.state_dict(), 'mnist_model.pth')print("模型已保存為 mnist_model.pth")

三、模型使用測試

import torch
import torch.nn as nn
from PIL import Image
import numpy as np
from torchvision import transforms  # 修正transforms的導入方式# 定義與訓練時相同的模型結構
class SimpleNN(nn.Module):def __init__(self):super(SimpleNN, self).__init__()self.fc1 = nn.Linear(28*28, 128)self.fc2 = nn.Linear(128, 10)def forward(self, x):x = x.view(-1, 28*28)x = torch.relu(self.fc1(x))x = self.fc2(x)return x# 加載模型
def load_model(model_path='mnist_model.pth'):model = SimpleNN()# 加載模型時添加參數以避免潛在的Python 3兼容性問題model.load_state_dict(torch.load(model_path, map_location=torch.device('cpu'), weights_only=True))model.eval()  # 設置為評估模式return model# 圖像預處理（與訓練時保持一致）
def preprocess_image(image_path):# 打開圖像并轉換為灰度圖img = Image.open(image_path).convert('L')  # 'L'表示灰度模式# 調整大小為28x28img = img.resize((28, 28))# 轉換為numpy數組并歸一化img_array = np.array(img) / 255.0# 定義圖像轉換（使用torchvision的transforms）transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307,), (0.3081,))])# 注意：這里需要先將numpy數組轉換為PIL圖像再應用transformimg_pil = Image.fromarray((img_array * 255).astype(np.uint8))img_tensor = transform(img_pil).unsqueeze(0)  # 增加批次維度return img_tensor# 預測函數
def predict_digit(model, image_path):# 預處理圖像img_tensor = preprocess_image(image_path)# 預測with torch.no_grad():  # 不計算梯度outputs = model(img_tensor)_, predicted = torch.max(outputs.data, 1)return predicted.item()  # 返回預測的數字# 示例使用
if __name__ == '__main__':# 加載模型model = load_model('mnist_model.pth')# 預測示例圖像test_image_path = 'test_digit.png'  # 用戶需要提供的測試圖像路徑try:predicted_digit = predict_digit(model, test_image_path)print(f"預測的數字是: {predicted_digit}")except Exception as e:print(f"預測出錯: {str(e)}")

使用gpu0（第一塊gpu）進行訓練/推理：
????????torch.cuda.set_device(0) ???
????????model = model.cuda(0)
使用cpu記性訓練/推理：
????????model = model.cpu()

---

怎么用pytorch訓練一個模型-手寫數字識別
手把手教你如何跑通一個手寫中文漢字識別模型-OCR識別【pytorch】
手把手教你用PyTorch從零訓練自己的大模型（非常詳細）零基礎入門到精通，收藏這一篇就夠了
揭秘大模型的訓練方法：使用PyTorch進行超大規模深度學習模型訓練
全套解決方案：基于pytorch、transformers的中文NLP訓練框架，支持大模型訓練和文本生成，快速上手，海量訓練數據！
用 pytorch 從零開始創建大語言模型（三）：編碼注意力機制

YOLOv5源碼逐行超詳細注釋與解讀（1）——項目目錄結構解析