项目简介

MNIST数据集是深度学习领域的经典入门案例，包含60,000个手写数字训练样本和10,000个测试样本。本项目将带你通过PyTorch实现一个简单的卷积神经网络，并可视化训练过程中的特征提取结果。

技术路线

  1. 数据准备

    • 加载MNIST数据集：torchvision.datasets.MNIST
    • 数据预处理：归一化、转换为张量
    • 使用DataLoader进行批量加载
    mnist_data_sample

  2. 模型构建

    • 定义CNN网络结构： 
      class MNIST_CNN(nn.Module):
    def __init__(self):
        super().__init__()
        self.layers = nn.Sequential(
            nn.Conv2d(1, 32, kernel_size=5),  
            nn.ReLU(),  
            nn.MaxPool2d(2),  
            nn.Conv2d(32, 64, kernel_size=5),  
            nn.ReLU(),  
            nn.AdaptiveAvgPool2d((4,4)),  
            nn.Flatten(),  
            nn.Linear(64*4*4, 10)  
        )
    def forward(self, x):  
        return self.layers(x)
    • 模型训练与验证
    neural_network_structure

  3. 可视化分析

    • 使用TensorBoard记录训练指标
    • 可视化卷积核权重变化：torchviz工具生成计算图
    • 展示混淆矩阵与特征图对比
    visualization_result

扩展学习

📌 本项目代码已通过PyTorch 2.0测试，建议使用GPU加速训练过程。可视化部分可结合Matplotlib进行结果展示。