• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊

1.简介

使用Pytorch构建一个CNN模型对MNIST手写数字数据集进行识别

2.环境

● 语言环境：Python 3.12.7
● 编译器：Jupyter Notebook
● 深度学习环境：torch—2.8.0 + cu126 / torchvision—0.23.1+cu126

3.数据集介绍

MNIST手写数字数据集由Yann LeCun等人整理，来源于美国国家标准与技术研究院（NIST），是计算机视觉和机器学习领域最著名的公开数据集之一。该数据集包含250位不同职业人士手写的数字图像，官方获取地址为：http://yann.lecun.com/exdb/mnist/。网站提供四个压缩文件，分别对应训练图像、训练标签、测试图像和测试标签。

数据集共包含70,000张28×28像素的灰度图像，其中60,000张作为训练集，10,000张作为测试集。若将每张图像展平为一个向量，则得到长度为784（28×28）的向量表示。因此，整个训练集可视为一个形状为[60000, 784]的张量，其中第一维为图像索引，第二维对应像素特征。通常，像素值会被归一化到0到1的范围内。

在PyTorch中，可使用torchvision.datasets.MNIST()加载该数据集，常用方式如下：

import torchvision

# 下载并加载MNIST数据集（需指定数据保存路径）
train_dataset = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=None)

加载后，可通过数据预处理流程（如归一化、转换为张量）进一步处理图像数据，以便用于模型训练与评估。

4.代码实现

4.1 前期准备

4.1.1 导入库 & 设置GPU

import torch.nn as nn
import torch
import torchvision
import matplotlib.pyplot as plt
import numpy as np
import torch.nn.functional as F
from torchinfo import summary
import warnings
from datetime import datetime

current_time = datetime.now() # 获取当前时间

warnings.filterwarnings("ignore")               #忽略警告信息
plt.rcParams['font.sans-serif']    = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False      # 用来正常显示负号
plt.rcParams['figure.dpi']         = 100        #分辨率

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
device

输出：

4.1.2 数据下载与划分

train_ds = torchvision.datasets.MNIST('data', train=True, transform=torchvision.transforms.ToTensor(), download=True)
test_ds  = torchvision.datasets.MNIST('data', train=False, transform=torchvision.transforms.ToTensor(), download=True)

torch.utils.data.DataLoader()是Pytorch自带的一个数据加载器，结合了数据集和取样器，并且可以提供多个线程处理数据集。
函数原型：

torchvision.datasets.MNIST(root, train=True, transform=None, target_transform=None, download=False)

参数说明：
● root (string) ：数据地址
● train (string) ：True-训练集，False-测试集
● download (bool,optional) : 如果为True，从互联网上下载数据集，并把数据集放在root目录下。
● transform (callable, optional )：这里的参数选择一个你想要的数据转化函数，直接完成数据转化
● target_transform (callable,optional) ：接受目标并对其进行转换的函数/转换。

batch_size = 32
train_dl = torch.utils.data.DataLoader(train_ds, batch_size=batch_size, shuffle=True)
test_dl = torch.utils.data.DataLoader(test_ds, batch_size=batch_size)

imgs, labels = next(iter(train_dl))
imgs.shape

4.1.3 数据可视化

squeeze()函数的功能是从矩阵shape中，去掉维度为1的。例如一个矩阵是的shape是（5, 1），使用过这个函数后，结果为（5, ）。

plt.figure(figsize=(20, 5))
for i, imgs in enumerate(imgs[:20]):
    npimg = np.squeeze(imgs.numpy())
    plt.subplot(2, 10, i+1)
    plt.imshow(npimg, cmap=plt.cm.binary)
    plt.axis('off')

4.2 构建CNN模型

卷积神经网络（CNN）通常由特征提取网络和分类网络两部分组成。特征提取网络通过一系列卷积和池化操作，从输入图像中逐层抽象出高级特征；分类网络则将这些特征映射到最终的类别输出。

在 PyTorch 框架中，构建CNN常用的核心模块及其作用如下：

• nn.Conv2d（卷积层）：核心特征提取器。通过卷积核在图像上滑动，计算局部特征的加权和，从而捕捉空间层次结构（如边缘、纹理）。主要参数包括：输入通道数、输出通道数（即卷积核数量）、以及卷积核尺寸（如 3×3）。

• nn.MaxPool2d（最大池化层）：用于特征降维和空间不变性增强。在指定窗口（如 2×2）内取最大值，实现对特征图的下采样，能在保留显著特征的同时减少参数量和计算量。主要参数是池化窗口大小。

• nn.ReLU（激活函数）：引入非线性变换。它将所有负值置零，正值保持不变，使得网络能够学习和表示复杂的非线性关系，这是深度学习模型强大拟合能力的关键。

• nn.Linear（全连接层）：通常用于分类网络的末端。它将前面提取到的、经过展平后的多维特征，通过矩阵运算映射到样本的类别空间。最后一层全连接层的输出维度通常等于类别数，因此也常被视为网络的输出层。其关键参数是输入特征数与输出特征数（输入特征数需根据前面特征图的尺寸计算得出）。

• nn.Sequential（顺序容器）：一种网络结构的封装方式。它允许以声明式的顺序组合多个网络层，自动构建层与层之间的前向传播路径，从而简化模型定义代码，避免在前向传播方法中显式地编写每一层的调用逻辑。

补充说明：第一个全连接层的输入特征数，取决于特征提取网络最终输出的特征图尺寸（通道数 × 高度 × 宽度）。可通过逐层推算或直接运行网络进行调试来确定该值。

num_classes = 10
class Model(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(1, 32, kernel_size=3)
        self.pool1 = nn.MaxPool2d(2)
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3)
        self.pool2 = nn.MaxPool2d(2)

        self.fc1 = nn.Linear(1600, 64)
        self.fc2 = nn.Linear(64, num_classes)

    def forward(self, x):
        x = self.pool1(F.relu(self.conv1(x)))
        x = self.pool2(F.relu(self.conv2(x)))

        x = torch.flatten(x, start_dim=1)

        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        
        return x
        
model = Model().to(device)
summary(model)

4.3 训练模型

4.3.1 设置超参数

loss_fn = nn.CrossEntropyLoss()
learn_rate = 1e-2
opt = torch.optim.SGD(model.parameters(), lr=learn_rate)

4.3.2 编写训练函数 & 测试函数

在 PyTorch 的训练循环中，optimizer.zero_grad()、loss.backward() 和 optimizer.step() 是三个按固定顺序执行的核心操作，它们共同完成模型参数的一轮更新。这三个步骤的作用与必要性如下：

1. optimizer.zero_grad()：梯度清零

• 作用：将优化器跟踪的所有模型参数的梯度（.grad 属性）重置为零。
• 原因：在PyTorch中，张量的梯度是累加的。每当调用 .backward() 计算梯度时，新的梯度会累加到已有梯度上，而不会自动替换。这设计在某些高级场景（如RNN多时间步）中有用，但在标准的前馈网络训练中，必须在每次参数更新前手动清空上一轮计算的“旧”梯度，否则梯度会不断累积，导致参数更新方向错误。

2. loss.backward()：反向传播计算梯度

• 作用：执行自动微分（反向传播）。它以计算图（Computation Graph）中的损失值（loss）为起点，根据链式法则，自动计算出损失函数关于每一个可训练参数的梯度。计算结果（梯度值）会被存储在对应参数的 .grad 属性中。

3. optimizer.step()：执行优化器更新参数

• 作用：调用优化器（如SGD、Adam等）中定义的具体算法规则，根据上一步计算得到的梯度（存储在参数的 .grad 中）以及设定的超参数（如学习率），执行一次参数更新。更新完成后，模型的参数就向损失函数减小的方向迈进了一步。

核心关系与执行顺序
这三步构成了一个完整的参数更新周期：

清零历史梯度 → 计算当前梯度 → 根据梯度更新参数

如果缺失了第一步的 .zero_grad()，梯度会不断累积，导致更新方向错误，模型无法收敛。因此，正确的执行顺序对于训练成功至关重要。

def train(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)
    num_batches = len(dataloader)

    train_loss, train_acc = 0, 0

    for X, y in dataloader:
        X, y = X.to(device), y.to(device)
        
        pred = model(X)
        loss = loss_fn(pred, y)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        train_acc += (pred.argmax(1) == y).type(torch.float).sum().item()
        train_loss += loss.item()

    train_acc /= size
    train_loss /= num_batches

    return train_acc, train_loss

测试函数和训练函数大致相同，但是由于不进行梯度下降对网络权重进行更新，所以不需要传入优化器

def test(dataloader, model, loss_fn):
    size = len(dataloader.dataset)
    num_batches = len(dataloader)

    test_loss, test_acc = 0, 0

    with torch.no_grad():
        for imgs, target in dataloader:
            imgs, target = imgs.to(device), target.to(device)

            target_pred = model(imgs)
            loss = loss_fn(target_pred, target)

            test_loss += loss.item()
            test_acc += (target_pred.argmax(1) == target).type(torch.float).sum().item()

    test_acc /= size
    test_loss /= num_batches
    
    return test_acc, test_loss

4.3.3 正式训练

在 PyTorch 中，model.train() 和 model.eval() 是用于在模型的训练与评估/推理两种不同阶段之间进行切换的关键方法。正确切换模式能确保特定网络层（如 Dropout、BatchNorm）行为正确，是获得可靠结果的重要前提。

1. model.train()：切换到训练模式
调用此方法后，模型将启用所有专门为训练阶段设计的特性。

• Dropout 层：生效。它会按照设定的概率随机“关闭”（丢弃）网络中的一部分神经元，这是一种防止模型过拟合的正则化手段。
• BatchNorm 层：基于当前批次（Batch）的数据进行标准化。它会计算当前小批量数据的均值和方差，并用于标准化。同时，它会更新其内部维护的全局“运行均值”和“运行方差”（这些值将在评估模式下使用）。

2. model.eval()：切换到评估模式
调用此方法后，模型将关闭训练阶段的随机性，进入稳定的预测状态。

• Dropout 层：失效。所有神经元都会参与计算，不再进行随机丢弃，以保证预测结果的确定性和可重复性。
• BatchNorm 层：固定统计量。它将停止更新运行均值和方差，并直接使用在训练阶段最终累积下来的全局统计量进行标准化，确保输入输出的稳定性。

epochs = 5
train_loss = []
train_acc = []
test_loss = []
test_acc = []

for epoch in range(epochs):
    model.train()
    epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, opt)
    model.eval()
    epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)

    train_acc.append(epoch_train_acc)
    train_loss.append(epoch_train_loss)
    test_acc.append(epoch_test_acc)
    test_loss.append(epoch_test_loss)

    template = ('Epoch: {:2d}, Training Accuracy: {:.1f}%, Training Loss: {:.3f}, Validate Accuracy: {:.1f}%, Validate Loss: {:.3f}')
    print(template.format(epoch+1, epoch_train_acc*100, epoch_train_loss, epoch_train_acc*100, epoch_test_loss))

print("Done.")

5. 结果可视化

epochs_range = range(epochs)

plt.figure(figsize=(12, 3))
plt.subplot(1, 2, 1)

plt.plot(epochs_range, train_acc, label='Training Accuracy')
plt.plot(epochs_range, test_acc, label='Test Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')
plt.xlabel(current_time)

plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, label='Training Loss')
plt.plot(epochs_range, test_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()