#我在头条搞创作#

上节课我们学习了多层感知机在回归任务上的应用，这节课我们进一步学习一下多层感知机的分类任务。

任务

使用MLP+Softmax神经网络模型实现手写数字集MNIST分类

MNIST 数据集介绍

MNIST 数据集来自美国国家标准与技术研究所，由来自 250 个不同人手写的数字构成，其中 50% 是高中学生，50% 来自人口普查局的工作人员。

MNIST 数据集包含了四个部分:

mnist数据集文件

Training set images: train-images-idx3-ubyte.gz (9.9 MB, 解压后 47 MB, 包含 60,000 个样本)

Training set labels: train-labels-idx1-ubyte.gz (29 KB, 解压后 60 KB, 包含 60,000 个标签)

Test set images: t10k-images-idx3-ubyte.gz (1.6 MB, 解压后 7.8 MB, 包含 10,000 个样本)

Test set labels: t10k-labels-idx1-ubyte.gz (5KB, 解压后 10 KB, 包含 10,000 个标签)

部分训练图像展示如下：

训练集展示

数据集中的数字8

一张图片包含28*28个像素，我们把这一个数组展开成一个向量，长度是28*28=784.

如果把数据用矩阵表示，可以把MNIST训练数据变成一个形状为[60000,784]的矩阵，第一个维度数字用来索引图片，第二个维度数字用来索引每张图片中的像素点，图片里的每个像素的强度值介于0-1之间。

程序过程

1.数据集准备

我们使用torchvision.datasets.MNIST自动下载数据集到本地

自动下载数据集

相关参数解释：

root='dataset 下载数据，并且存放在dataset文件夹中

train=True 用于指定在数据集下载完成后需要载入哪部分数据，如果设置为True，则说明载入的是该数据集的训练集部分； train=False 如果设置为False，则说明载入的是该数据集的测试集部分。

transform=transforms.ToTensor() 数据的标准化等操作都在transforms中，此处是转换

download=True True为自动网络下载，False为使用本地已经下载好的数据集

然后使用torch.utils.data.DataLoader加载器加载数据集

数据加载器

￰

相关参数解释：

batch_size 一个批次可以认为是一个包，每个包中含有batch_size张图片

shuffle=True 指数据是否打乱顺序

num_workers 非并行加载就填0

2.网络构建

建立一个四层感知机网络: 一个输入层，两个全连接的隐藏线性层，一个输出层

因为图片是28*28的，需要全部展开，最终我们要输出数字，一共10个数字。

10个数字实际上是10个类别，输出是概率分布，最后选取概率最大的作为预测值输出

￰

网络结构

3.训练

该部分代码过长，只展示部分关键代码

训练部分代码

训练效果图如下：

训练300个epoch，测试集acc在0.98，训练集acc在0.993.

训练效果

训练集和测试集的精度曲线图：

acc曲线图

训练集和测试集的损失曲线图：

Loss曲线图

4.测试

测试部分代码

测试代码

Pytorch预测效果（从测试集选择一张图预测）

模型预测效果

总结，MNIST数据集作为机器学习中"hello world"级别的存在，被业界普遍认为是入门最佳数据集！有条件的快来动手试试吧！