>- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/0dvHCaOoFnW8SCp3JpzKxg) 中的学习记录博客**
>- **🍖 原作者：[K同学啊 | 接辅导、项目定制](https://mtyjkh.blog.csdn.net/)**
目录
一、前言
二、我的环境
三、前期准备
1.设置GPU
2.导入数据
（1）第一步：使用dataset下载MNIST数据集，并划分好训练集与测试集
（2）第二步：使用dataloader加载数据，并设置好基本的batch_size
（3）取一个批次查看数据格式
3.数据可视化
四、构建简单的cnn网络
（1）第一步构建cnn网络模型
（2）第二步：加载并打印模型
（3）第三步： 输出结果编辑
五、训练模型
1.设置超参数
2.编写训练函数
3.编写测试函数
4.正式训练
（1）第一步：训练
（2）获取结果：编辑
六、结果可视化
编辑
七、知识点详解
1. MNIST手写数字数据集介绍
2. 神经网络程序说明
八、总结
一、前言
(1)感谢K同学，课程是优质的 至少很清晰明了，初学很舒服
（2）自己摆烂太久了，自驱力太差，要改正，自己要有计划
（3）希望自己能端正心态，好好的去学，坚持下去
二、我的环境
-
电脑系统：Windows 10
-
语言环境：Python 3.9.18
-
编译器：jupyter notebook
-
深度学习环境：
-
PyTorch 版本: 2.0.1+cpu
-
Torchvision 版本: 0.15.2+cpu
-
显卡及显存：AMD Radeon(TM) Graphics
三、前期准备
1.设置GPU
import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import torchvision
# 设置硬件设备，如果有GPU则使用，没有则使用cpu
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
device 输出结果
证明本机只有CPU
2.导入数据
（1）第一步：使用dataset下载MNIST数据集，并划分好训练集与测试集
train_ds = torchvision.datasets.MNIST('data',
train=True,
transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
download=True)
test_ds = torchvision.datasets.MNIST('data',
train=False,
transform=torchvision.transforms.ToTensor(), # 将数据类型转化为Tensor
download=True)⭐ torchvision.datasets.MNIST详解
torchvision.datasets是Pytorch自带的一个数据库，我们可以通过代码在线下载数据，这里使用的是torchvision.datasets中的MNIST数据集。
参数说明：
- root (string) ：数据地址，以上代码为data
- 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。
（2）第二步：使用dataloader加载数据，并设置好基本的batch_size
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)⭐ torch.utils.data.DataLoader详解
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。
参数说明：
- dataset (string) ：加载的数据集
- batch_size (int,optional) ：每批加载的样本大小（默认值：1）
- shuffle (bool,optional) : 如果为
True，每个epoch重新排列数据。 - sampler (Sampler or iterable, optional) ： 定义从数据集中抽取样本的策略。 可以是任何实现了 __len__ 的 Iterable。 如果指定，则不得指定 shuffle 。
- batch_sampler (Sampler or iterable, optional) ： 类似于sampler，但一次返回一批索引。与 batch_size、shuffle、sampler 和 drop_last 互斥。
- num_workers (int,optional) ： 用于数据加载的子进程数。 0 表示数据将在主进程中加载（默认值：0）。
- pin_memory (bool,optional) : 如果为 True，数据加载器将在返回之前将张量复制到设备/CUDA 固定内存中。 如果数据元素是自定义类型，或者collate_fn返回一个自定义类型的批次。
- drop_last (bool,optional) : 如果数据集大小不能被批次大小整除，则设置为 True 以删除最后一个不完整的批次。 如果 False 并且数据集的大小不能被批大小整除，则最后一批将保留。 （默认值：False）
- timeout (numeric,optional) : 设置数据读取的超时时间 ， 超过这个时间还没读取到数据的话就会报错。（默认值：0）
- worker_init_fn (callable,optional) ： 如果不是 None，这将在步长之后和数据加载之前在每个工作子进程上调用，并使用工作 id（[0，num_workers - 1] 中的一个 int）的顺序逐个导入。（默认：None）
（3）取一个批次查看数据格式
# 取一个批次查看数据格式
# 数据的shape为：[batch_size, channel, height, weight]
# 其中batch_size为自己设定，channel，height和weight分别是图片的通道数，高度和宽度。
imgs, labels = next(iter(train_dl))
imgs.shape输出结果：批次32，通道1，宽28高28.
train_dl是一个 PyTorch 数据加载器（DataLoader），用于加载训练数据集。通常情况下，数据加载器会将数据集分成小批量（batches）进行处理。iter(train_dl)将数据加载器转换为一个迭代器（iterator），使得我们可以使用 Python 的next()函数来逐个访问数据加载器中的元素。next()函数用于获取迭代器中的下一个元素。在这里，它被用来获取train_dl中的下一个批量数据。imgs, labels = ...这行代码是 Python 的解构赋值语法。它将从next()函数返回的元素中提取出两个变量：imgs和labels。imgs变量将包含一个批量的图像数据，而labels变量将包含相应的标签数据。这些图像和标签是从训练数据集中提取的。imgs是一个张量（tensor），.shape是张量对象的一个属性，用来查看张量的形状。- 形状的表示方式是
[batch_size, channel, height, weight]
3.数据可视化
#这段代码是使用Matplotlib库来绘制图像的
#导入NumPy库并将其命名为np，用于处理数组和数值计算。
import numpy as np
# 创建一个新的图形窗口，指定图片大小，图像大小为20宽、5高的绘图(单位为英寸inch)，这里使用了
#Matplotlib库中的figure函数。
plt.figure(figsize=(20, 5))
#遍历一个包含图像数据的迭代器或列表的前20个元素，并使用enumerate函数同时获取索引i和对应的图像#imgs。
for i, imgs in enumerate(imgs[:20]):
# 维度缩减
#npimg = np.squeeze(imgs.numpy())：将PyTorch张量转换为NumPy数组，并使用np.squeeze函数去除数
#组中维度为1的维度，以便后续绘图。
npimg = np.squeeze(imgs.numpy())
# 将整个figure分成2行10列，绘制第i+1个子图。
plt.subplot(2, 10, i+1)
plt.imshow(npimg, cmap=plt.cm.binary)
plt.axis('off')
#plt.subplot(2, 10, i+1)：创建一个2行10列的子图表格，并定位到第i+1个子图。这里使用了#Matplotlib库中的subplot函数。
#plt.imshow(npimg, cmap=plt.cm.binary)：在当前子图中显示图像。npimg是处理后的NumPy数组，#cmap=plt.cm.binary表示使用二值化的颜色映射（黑白色调）来显示图像。
#plt.axis('off')：关闭坐标轴显示，这样在图像周围不会显示坐标轴刻度。
#plt.show() 如果你使用的是Pycharm编译器，请加上这行代码
#通过以上步骤，代码实现了在Matplotlib中绘制一个大小为20宽、5高的图形窗口，并展示了前20个图像数据（假设imgs包含了20个图像数据），每行显示10个图像，以黑白色调显示，并关闭了坐标轴的显示。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, ）
为什么要去除维度为1的维度：在深度学习中，通常使用张量（tensor）来表示数据。张量是多维数组的一种扩展形式，可以是0维（标量）、1维（向量）、2维（矩阵）、3维（立方体）等。在处理图像数据时，通常使用3维张量来表示图像，其形状通常为[批次大小, 通道数, 高度, 宽度]。
在PyTorch或其他深度学习框架中，加载图像数据后会生成相应的张量对象。然而，有时候图像数据的维度可能会有一些冗余，比如在加载单通道灰度图像时，其维度可能会是[1, 高度, 宽度]，这里的1表示通道数。在这种情况下，我们可能希望去除这个维度为1的通道数维度，以便后续的处理和显示。
np.squeeze函数的作用就是去除数组中维度为1的维度。例如，对于形状为[1, 高度, 宽度]的张量，经过np.squeeze后，形状会变为[高度, 宽度]，去除了维度为1的通道数维度。这样做的好处包括：
1.简化数据表示：去除维度为1的冗余维度，使数据的表示更加简洁和清晰。
2.避免错误：有时候在进行数据处理或绘图时，对于维度为1的通道数维度可能会造成一些错误，去除这些维度可以避免这些问题的出现。
3.兼容性：一些图像处理或显示函数可能对维度要求较严格，去除冗余维度可以提高代码的兼容性。
因此，在绘图前将PyTorch张量转换为NumPy数组，并使用np.squeeze函数去除维度为1的冗余通道数维度，可以使数据更加符合绘图或处理的要求。
输出结果：
四、构建简单的cnn网络
（1）第一步构建cnn网络模型
对于一般的CNN网络来说，都是由特征提取网络和分类网络构成，其中特征提取网络用于提取图片的特征，分类网络用于将图片进行分类。
- nn.Conv2d为卷积层，用于提取图片的特征，传入参数为输入channel，输出channel，池化核大小
- nn.MaxPool2d为池化层，进行下采样，用更高层的抽象表示图像特征，传入参数为池化核大小
- nn.ReLU为激活函数，使模型可以拟合非线性数据
- nn.Linear为全连接层，可以起到特征提取器的作用，最后一层的全连接层也可以认为是输出层，传入参数为输入特征数和输出特征数（输入特征数由特征提取网络计算得到，如果不会计算可以直接运行网络，报错中会提示输入特征数的大小，下方网络中第一个全连接层的输入特征数为1600）
- nn.Sequential可以按构造顺序连接网络，在初始化阶段就设定好网络结构，不需要在前向传播中重新写一遍
网络结构图（可放大查看）
import torch.nn.functional as F
num_classes = 10 # 图片的类别数
class Model(nn.Module):
def __init__(self):
super().__init__()
# 特征提取网络
self.conv1 = nn.Conv2d(1, 32, kernel_size=3) # 第一层卷积,卷积核大小为3*3
self.pool1 = nn.MaxPool2d(2) # 设置池化层，池化核大小为2*2
self.conv2 = nn.Conv2d(32, 64, kernel_size=3) # 第二层卷积,卷积核大小为3*3
self.pool2 = nn.MaxPool2d(2)
# 分类网络
self.fc1 = nn.Linear(1600, 64)
self.fc2 = nn.Linear(64, num_classes)
# 前向传播
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这段代码定义了一个名为 Model 的神经网络模型，该模型包含了特征提取网络和分类网络两部分。
下面是对代码中各部分的中文逐行解释：
import torch.nn.functional as F
导入 PyTorch 中的函数模块 torch.nn.functional，通常用于定义神经网络的各种激活函数和损失函数。
num_classes = 10 # 定义了变量 num_classes，表示图片的类别数，这个值在这里被设置为 10。
class Model(nn.Module):
定义了一个名为 Model 的类，该类继承自 nn.Module 类，表示这是一个 PyTorch 的模型。
def __init__(self):
super().__init__()
在初始化函数中调用父类 nn.Module 的初始化函数。
# 特征提取网络
self.conv1 = nn.Conv2d(1, 32, kernel_size=3) # 第一层卷积,卷积核大小为3*3
self.pool1 = nn.MaxPool2d(2) # 设置池化层，池化核大小为2*2
self.conv2 = nn.Conv2d(32, 64, kernel_size=3) # 第二层卷积,卷积核大小为3*3
self.pool2 = nn.MaxPool2d(2)
定义了特征提取网络，包括两个卷积层和两个最大池化层。conv1 和 conv2 是卷积层，使用 nn.Conv2d 进行定义，分别将输入的通道数从 1 扩展到 32，再从 32 扩展到 64。pool1 和 pool2 分别是最大池化层，使用 nn.MaxPool2d 进行定义，池化核大小为 2*2。
# 分类网络
self.fc1 = nn.Linear(1600, 64)
self.fc2 = nn.Linear(64, num_classes)
定义了分类网络，包括两个全连接层。fc1 和 fc2 是全连接层，使用 nn.Linear 进行定义，fc1 的输入维度为 1600，输出维度为 64；fc2 的输入维度为 64，输出维度为 num_classes，即图片的类别数。
# 前向传播
def forward(self, x):
定义了前向传播函数，即模型从输入到输出的计算过程。
x = self.pool1(F.relu(self.conv1(x)))
x = self.pool2(F.relu(self.conv2(x)))
通过卷积层和池化层对输入 x 进行特征提取和降维操作，并使用 ReLU 激活函数进行非线性变换。
x = torch.flatten(x, start_dim=1)
将特征张量展平成一维张量，以便进行全连接层的操作。
x = F.relu(self.fc1(x))
x = self.fc2(x)
通过两个全连接层进行分类操作，最终输出预测结果。
return x
返回最终的输出结果。 
（2）第二步：加载并打印模型
from torchinfo import summary
# 将模型转移到GPU中（我们模型运行均在GPU中进行）
model = Model().to(device)
summary(model)（3）第三步： 输出结果
结果解读：
五、训练模型
1.设置超参数
loss_fn = nn.CrossEntropyLoss() # 创建损失函数
learn_rate = 1e-2 # 学习率
opt = torch.optim.SGD(model.parameters(),lr=learn_rate)
2.编写训练函数
# 训练循环
def train(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset) # 训练集的大小，一共60000张图片
num_batches = len(dataloader) # 批次数目，1875（60000/32）
train_loss, train_acc = 0, 0 # 初始化训练损失和正确率
for X, y in dataloader: # 获取图片及其标签
X, y = X.to(device), y.to(device)
# 计算预测误差
pred = model(X) # 网络输出
loss = loss_fn(pred, y) # 计算网络输出和真实值之间的差距，targets为真实值，计算二者差值即为损失
# 反向传播
optimizer.zero_grad() # grad属性归零
loss.backward() # 反向传播
optimizer.step() # 每一步自动更新
# 记录acc与loss
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
这段代码是用于进行模型的训练。让我解释每个部分的作用：
1.loss_fn = nn.CrossEntropyLoss(): 这行代码创建了一个损失函数 (loss_fn)，使用的是交叉熵损失函数 (CrossEntropyLoss)。损失函数用于度量模型输出与实际标签之间的差异，帮助我们优化模型的参数。
2.learn_rate = 1e-2: 这行代码定义了学习率 (learn_rate) 的值。学习率决定了在每次参数更新时的步长大小。较大的学习率可能导致参数更新过大，无法收敛；而较小的学习率可能导致收敛速度缓慢。学习率需要根据具体问题和实验结果进行调整。
3.opt = torch.optim.SGD(model.parameters(), lr=learn_rate): 这行代码创建了一个优化器对象 (opt)，使用的是随机梯度下降优化器 (SGD)。通过传入模型的参数 (model.parameters()) 和学习率 (learn_rate) 来初始化优化器。优化器的作用是根据损失函数计算的梯度来更新模型的参数，以使损失函数的值最小化。
4.train(dataloader, model, loss_fn, optimizer): 这是一个名为 train 的函数，用于执行训练循环。它接受数据加载器 (dataloader)、模型 (model)、损失函数 (loss_fn) 和优化器 (optimizer) 作为参数。
5.size = len(dataloader.dataset): 这行代码获取训练集的大小，即数据加载器中包含的总样本数。这在后面计算准确率时会用到。
6.num_batches = len(dataloader): 这行代码获取批次的数量，即数据加载器中的迭代次数。这也用于后面计算损失的平均值。
7.train_loss, train_acc = 0, 0: 这行代码初始化训练损失 (train_loss) 和训练准确率 (train_acc) 的值。
8.for X, y in dataloader: 这是一个循环，遍历数据加载器中的每个批次。每次迭代获取一个批次的输入数据 (X) 和对应的标签 (y)。
9.X, y = X.to(device), y.to(device): 这行代码将输入数据和标签移动到指定的设备 (例如 GPU) 上进行加速计算。
10.pred = model(X): 这行代码通过模型 (model) 对输入数据进行前向传播，得到预测输出 (pred)。
11.loss = loss_fn(pred, y): 这行代码使用损失函数 (loss_fn) 计算预测输出 (pred) 和实际标签 (y) 之间的损失值。这个损失值用于度量模型的预测与实际标签之间的差异。
12.optimizer.zero_grad(): 这行代码将优化器 (optimizer) 中的梯度值归零，避免梯度在反向传播过程中累积。
13.loss.backward(): 这行代码执行反向传播，计算损失函数对模型参数的梯度。
14.optimizer.step(): 这行代码根据计算的梯度更新模型的参数，优化模型。
15.train_acc += (pred.argmax(1) == y).type(torch.float).sum().item(): 这行代码计算训练过程中的准确率。它统计预测输出 (pred) 的最大值对应的类别与实际标签 (y) 相等的数量，并累加到训练准确率 (train_acc) 中。
16.train_loss += loss.item(): 这行代码将每个批次的损失值累加到训练损失 (train_loss) 中。
17.train_acc /= size: 这行代码计算平均训练准确率，除以训练集的大小 (size)。
18.train_loss /= num_batches: 这行代码计算平均训练损失，除以批次的数量 (num_batches)。
19.return train_acc, train_loss: 这行代码返回训练的准确率和损失值。
总的来说，这段代码用于迭代训练模型。它计算模型预测与实际标签之间的损失，并根据损失值进行参数更新，同时记录训练过程中的准确率和损失值。通过多次迭代训练，模型可以逐渐优化并提高在训练数据上的性能。1. optimizer.zero_grad()
函数会遍历模型的所有参数，通过内置方法截断反向传播的梯度流，再将每个参数的梯度值设为0，即上一次的梯度记录被清空。
2. loss.backward()
PyTorch的反向传播(即tensor.backward())是通过autograd包来实现的，autograd包会根据tensor进行过的数学运算来自动计算其对应的梯度。
具体来说，torch.tensor是autograd包的基础类，如果你设置tensor的requires_grads为True，就会开始跟踪这个tensor上面的所有运算，如果你做完运算后使用tensor.backward()，所有的梯度就会自动运算，tensor的梯度将会累加到它的.grad属性里面去。
更具体地说，损失函数loss是由模型的所有权重w经过一系列运算得到的，若某个w的requires_grads为True，则w的所有上层参数（后面层的权重w）的.grad_fn属性中就保存了对应的运算，然后在使用loss.backward()后，会一层层的反向传播计算每个w的梯度值，并保存到该w的.grad属性中。
如果没有进行tensor.backward()的话，梯度值将会是None，因此loss.backward()要写在optimizer.step()之前。
3. optimizer.step()
step()函数的作用是执行一次优化步骤，通过梯度下降法来更新参数的值。因为梯度下降是基于梯度的，所以在执行optimizer.step()函数前应先执行loss.backward()函数来计算梯度。
注意：optimizer只负责通过梯度下降进行优化，而不负责产生梯度，梯度是tensor.backward()方法产生的。
pred.argmax(1)返回数组pred在第一个轴（即行）上最大值所在的索引。这通常用于多类分类问题中，其中pred是一个包含预测概率的二维数组，每行表示一个样本的预测概率分布。
(pred.argmax(1) == y)是一个布尔值，其中等号是否成立代表对应样本的预测是否正确（True 表示正确，False 表示错误）。
.type(torch.float)是将布尔数组的数据类型转换为浮点数类型，即将 True 转换为 1.0，将 False 转换为 0.0。
.sum()是对数组中的元素求和，计算出预测正确的样本数量。
.item()将求和结果转换为标量值，以便在 Python 中使用或打印。
(pred.argmax(1) == y).type(torch.float).sum().item()表示计算预测正确的样本数量，并将其作为一个标量值返回。这通常用于评估分类模型的准确率或计算分类问题的正确预测数量。
3.编写测试函数
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) # 测试集的大小，一共10000张图片
num_batches = len(dataloader) # 批次数目，313（10000/32=312.5，向上取整）
test_loss, test_acc = 0, 0
# 当不进行训练时，停止梯度更新，节省计算内存消耗
with torch.no_grad():
for imgs, target in dataloader:
imgs, target = imgs.to(device), target.to(device)
# 计算loss
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.正式训练
（1）第一步：训练
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}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%，Test_loss:{:.3f}')
print(template.format(epoch+1, epoch_train_acc*100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss))
print('Done')
这段代码是一个简单的训练循环，用于训练和评估一个神经网络模型。让我逐行解释：
1.epochs = 5: 定义了训练的总轮数，即训练将在数据集上进行5轮。
2.train_loss = [], train_acc = [], test_loss = [], test_acc = []: 初始化了四个空列表，用于存储每个epoch的训练和测试损失以及准确率。
3.for epoch in range(epochs):: 开始了一个循环，该循环会在整个训练数据集上进行指定数量的轮次。
4.model.train(): 将模型设置为训练模式，这会启用模型中的训练特定的行为，例如启用Dropout或Batch Normalization。
5.epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, opt): 调用train函数进行一个epoch的训练，并返回该epoch的训练准确率和损失。
6.model.eval(): 将模型设置为评估模式，这会关闭训练模式下的一些特殊行为，例如Dropout。
7.epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn): 调用test函数评估模型在测试集上的性能，并返回测试准确率和损失。
8.train_acc.append(epoch_train_acc), train_loss.append(epoch_train_loss), test_acc.append(epoch_test_acc), test_loss.append(epoch_test_loss): 将每个epoch的训练和测试准确率以及损失值添加到相应的列表中。
9.template = ('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%，Test_loss:{:.3f}'): 定义了一个格式化字符串模板，用于打印每个epoch的训练和测试结果。
10.print(template.format(epoch+1, epoch_train_acc*100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss)): 使用上述模板打印每个epoch的训练和测试结果。
11.print('Done'): 打印完成训练的消息。
整个循环的目的是在每个epoch结束后，记录并打印模型在训练集和测试集上的准确率和损失值，并将这些值存储起来以供后续分析和可视化。1. model.train()
model.train()的作用是启用 Batch Normalization 和 Dropout。
如果模型中有BN层(Batch Normalization）和Dropout，需要在训练时添加model.train()。model.train()是保证BN层能够用到每一批数据的均值和方差。对于Dropout，model.train()是随机取一部分网络连接来训练更新参数。
2. model.eval()
model.eval()的作用是不启用 Batch Normalization 和 Dropout。
如果模型中有BN层(Batch Normalization）和Dropout，在测试时添加model.eval()。model.eval()是保证BN层能够用全部训练数据的均值和方差，即测试过程中要保证BN层的均值和方差不变。对于Dropout，model.eval()是利用到了所有网络连接，即不进行随机舍弃神经元。
训练完train样本后，生成的模型model要用来测试样本。在model(test)之前，需要加上model.eval()，否则的话，有输入数据，即使不训练，它也会改变权值。这是model中含有BN层和Dropout所带来的的性质
（2）获取结果：
六、结果可视化
可见准确率越来越高，损失越来越小
七、知识点详解
本文使用的是最简单的CNN模型，如果是第一次接触深度学习的话，可以先试着把代码跑通，然后再尝试去理解其中的代码。
1. MNIST手写数字数据集介绍
MNIST手写数字数据集来源于是美国国家标准与技术研究所，是著名的公开数据集之一。数据集中的数字图片是由250个不同职业的人纯手写绘制，数据集获取的网址为：MNIST handwritten digit database, Yann LeCun, Corinna Cortes and Chris Burges（下载后需解压）。我们一般会采用(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()这行代码直接调用，这样就比较简单
MNIST手写数字数据集中包含了70000张图片，其中60000张为训练数据，10000为测试数据，70000张图片均是28*28，数据集样本如下：
如果我们把每一张图片中的像素转换为向量，则得到长度为28*28=784的向量。因此我们可以把训练集看成是一个[60000,784]的张量，第一个维度表示图片的索引，第二个维度表示每张图片中的像素点。而图片里的每个像素点的值介于0-1之间。
2. 神经网络程序说明
神经网络程序可以简单概括如下：
八、总结
PyTorch是一个开源的机器学习库，在使用pytorch构建网络时候，就像插积木一样，灵活拓展性很好，pytorch也便于安装使用，只需一行代码即可安装。在本周的深度学习案例中，我了解到了一个分类任务的基本构成，数据集是必须的，是第一步，本次案例采用开源数据集，dateset直接下载即可，然后进行划分训练集和测试集dateloder加载，为方便查看，使用了绘图进行可视化，第二步构建网络，对于一般的CNN网络来说，都是由特征提取网络和分类网络构成，其中特征提取网络用于提取图片的特征，分类网络用于将图片进行分类，卷积层池化层提取到图片特征后，全连接层进行分类得出结果，第三步就是训练模型了，迭代训练模型。它使用损失函数计算模型预测与实际标签之间的损失，并使用优化器根据损失函数计算的梯度来更新模型的参数，以使损失函数的值最小化。根据损失值进行参数更新，同时记录训练过程中的准确率和损失值。通过多次迭代训练，模型可以逐渐优化并提高在训练数据上的性能。训练结束后，同理编写测试函数，但是不需要传入优化器，最后定义轮数进行正式训练，获取结果，最后根据准确率和损失值可视化绘图查看结果，以此来评价模型。整体下来就这几步，有了清晰的了解。数据集，构建网络，训练模型，得出结果。最后，欢迎大家批评指正，感谢K同学。
