系列文章目录

Pytorch基础篇

01-PyTorch新手必看：张量是什么？5 分钟教你快速创建张量！
02-张量运算真简单！PyTorch 数值计算操作完全指南
03-Numpy 还是 PyTorch？张量与 Numpy 的神奇转换技巧
04-揭秘数据处理神器：PyTorch 张量拼接与拆分实用技巧
05-深度学习从索引开始：PyTorch 张量索引与切片最全解析
06-张量形状任意改！PyTorch reshape、transpose 操作超详细教程
07-深入解读 PyTorch 张量运算：6 大核心函数全面解析，代码示例一步到位！
08-自动微分到底有多强？PyTorch 自动求导机制深度解析

Pytorch实战篇

09-从零手写线性回归模型：PyTorch 实现深度学习入门教程
10-PyTorch 框架实现线性回归：从数据预处理到模型训练全流程
11-PyTorch 框架实现逻辑回归：从数据预处理到模型训练全流程
12-PyTorch 框架实现多层感知机（MLP）：手写数字分类全流程详解
13-PyTorch 时间序列与信号处理全解析：从预测到生成
14-深度学习必备：PyTorch数据加载与预处理全解析
15-PyTorch实战：手把手教你完成MNIST手写数字识别任务

---

---

前言

图像分类是深度学习中最经典的任务之一，而MNIST手写数字识别则是入门的最佳起点。本文将带你使用PyTorch从零构建一个简单的图像分类模型，通过卷积神经网络（CNN）和LeNet模型完成端到端的分类任务。无论你是深度学习新手，还是希望复习CNN基础的开发者，这篇文章都会为你提供清晰的步骤和代码示例。学习目标是通过实战理解CNN的核心结构，掌握PyTorch模型训练流程。

• 关键词：PyTorch、图像分类、CNN、LeNet、MNIST

---

一、图像分类与CNN基础

图像分类的目标是让模型识别图片中的内容，而卷积神经网络（CNN）是实现这一目标的利器。本节将从基础概念入手，带你了解图像分类和CNN的核心原理。

1.1 什么是图像分类和MNIST数据集

图像分类是指将图片分配到特定类别，比如识别手写数字“0-9”。MNIST数据集是一个经典的基准数据集，包含大量手写数字图片，非常适合初学者练习。

1.1.1 MNIST数据集简介

• 数据组成：包含6万张训练图片和1万张测试图片，每张图片大小为28x28像素，灰度图。
• 类别：10个数字（0-9）。
• 特点：数据简单但具有代表性，适合验证模型性能。

MNIST就像深度学习的“Hello World”，简单却能揭示图像分类的本质。

1.1.2 图像分类的基本流程

• 输入：原始图片数据。
• 处理：通过神经网络提取特征。
• 输出：预测类别概率。

CNN通过卷积操作捕捉图像的空间特征，是图像分类的首选模型。

1.2 CNN与LeNet模型基础

卷积神经网络（CNN）通过卷积层、池化层和全连接层处理图像。LeNet是CNN的早期代表，适合处理小型图像。

1.2.1 CNN的核心组件

• 卷积层：提取局部特征（如边缘、纹理）。
• 池化层：减少计算量，保留重要信息。
• 全连接层：整合特征，进行分类。

下表对比了传统神经网络与CNN的特点：

特点	传统神经网络	CNN
输入类型	展平的向量	保留二维结构
参数量	较多	较少
擅长任务	表格数据	图像数据

1.2.2 LeNet模型结构

LeNet是Yann LeCun提出的经典CNN模型，包含：

• 2个卷积层（带激活函数）。
• 2个池化层。
• 3个全连接层。

它结构简单但足以应对MNIST这样的任务。

---

二、使用PyTorch实现MNIST图像分类

本节将通过PyTorch实现LeNet模型，完成MNIST手写数字识别的完整流程。从数据加载到模型训练，每一步都配有代码和解析。

2.1 数据加载与预处理

PyTorch提供了便捷的工具加载MNIST数据集，并进行预处理。

2.1.1 下载与加载MNIST数据集

使用torchvision.datasets加载数据：

import torch
from torchvision import datasets, transforms
from torch.utils.data import DataLoader

# 定义数据变换
transform = transforms.Compose([
    transforms.ToTensor(),  # 转为张量
    transforms.Normalize((0.1307,), (0.3081,))  # 标准化（均值和方差来自MNIST统计）
])

# 加载数据集
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)

# 创建DataLoader
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)

关键代码解析：

• transforms.Normalize 使用MNIST的均值和标准差标准化数据，提升模型收敛速度。
• batch_size=64 平衡了训练速度和显存占用。

2.1.2 数据可视化与检查

我们可以用Matplotlib简单可视化数据：

import matplotlib.pyplot as plt

images, labels = next(iter(train_loader))
plt.imshow(images[0].numpy().squeeze(), cmap='gray')
plt.title(f'Label: {labels[0].item()}')
plt.show()

这将显示一张手写数字图片及其标签，确保数据加载正确。

2.2 构建LeNet模型

接下来，我们用PyTorch定义LeNet模型。

2.2.1 LeNet模型代码实现

以下是LeNet的完整实现：

import torch.nn as nn

class LeNet(nn.Module):
    def __init__(self):
        super(LeNet, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, kernel_size=5, padding=2)  # 输入1通道，输出6通道
        self.conv2 = nn.Conv2d(6, 16, kernel_size=5)            # 输入6通道，输出16通道
        self.pool = nn.MaxPool2d(2, 2)                          # 池化层
        self.fc1 = nn.Linear(16 * 5 * 5, 120)                   # 全连接层
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)                            # 输出10类

    def forward(self, x):
        x = torch.relu(self.conv1(x))  # 卷积 + ReLU
        x = self.pool(x)               # 池化
        x = torch.relu(self.conv2(x))  # 卷积 + ReLU
        x = self.pool(x)               # 池化
        x = x.view(-1, 16 * 5 * 5)     # 展平
        x = torch.relu(self.fc1(x))    # 全连接 + ReLU
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)                # 输出层
        return x

# 实例化模型
model = LeNet()
print(model)

关键点解析：

• Conv2d 的输入通道数与上一层输出匹配。
• view(-1, 16 * 5 * 5) 将二维特征展平为一维向量。

2.2.2 常见问题排查

• 问题：输入尺寸不匹配。
  解决：检查输入图像是否为28x28，卷积和池化计算是否正确。
• 问题：梯度消失。
  解决：确保使用ReLU激活函数，避免Sigmoid。

2.3 模型训练与评估

最后，我们训练模型并测试其性能。

2.3.1 训练代码实现

使用交叉熵损失和SGD优化器训练模型：

import torch.optim as optim

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)

# 训练循环
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)

for epoch in range(5):  # 训练5个epoch
    model.train()
    for images, labels in train_loader:
        images, labels = images.to(device), labels.to(device)
        optimizer.zero_grad()           # 清零梯度
        outputs = model(images)         # 前向传播
        loss = criterion(outputs, labels)  # 计算损失
        loss.backward()                 # 反向传播
        optimizer.step()                # 更新参数
    print(f"Epoch {epoch+1}, Loss: {loss.item():.4f}")

2.3.2 测试模型性能

评估模型在测试集上的准确率：

model.eval()
correct = 0
total = 0
with torch.no_grad():
    for images, labels in test_loader:
        images, labels = images.to(device), labels.to(device)
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print(f"Test Accuracy: {100 * correct / total:.2f}%")

输出示例：

Test Accuracy: 98.50%

（1）优化训练效率

• 使用GPU加速：将模型和数据移至cuda。
• 调整学习率：若收敛慢，可尝试lr=0.001。

（2）提升准确率的方法

• 增加epoch次数。
• 添加数据增强（如随机旋转）。

---

三、总结

本文通过PyTorch实现了MNIST手写数字识别，从数据加载、LeNet模型构建到训练与评估，完整呈现了图像分类的流程。你不仅掌握了CNN的基础结构，还学会了如何用PyTorch搭建端到端任务。下一步，可以尝试更复杂的数据集（如CIFAR-10）或更深的模型（如ResNet），进一步提升技能。

---