运行实现：
import torch
from torch.utils.data import DataLoader
from torchvision import transforms
from torchvision.datasets import MNIST
import matplotlib.pyplot as plt
class Net(torch.nn.Module):#net类神经网络主体
def __init__(self):#4个全链接层
super().__init__()
self.fc1 = torch.nn.Linear(28*28, 64)#输入为28*28尺寸图像
self.fc2 = torch.nn.Linear(64, 64)#中间三层都是64个节点
self.fc3 = torch.nn.Linear(64, 64)
self.fc4 = torch.nn.Linear(64, 10)#输出为10个数字类别
def forward(self, x):#前向传播
x = torch.nn.functional.relu(self.fc1(x))#先全连接线性计算，再套上激活函数
x = torch.nn.functional.relu(self.fc2(x))
x = torch.nn.functional.relu(self.fc3(x))
x = torch.nn.functional.log_softmax(self.fc4(x), dim=1)#输出层用softmax做归一化，log_softmax是为了提高计算稳定性，套上了一个对数函数
return x
def get_data_loader(is_train):#导入数据
to_tensor = transforms.Compose([transforms.ToTensor()])#导入张量
data_set = MNIST("", is_train, transform=to_tensor, download=True)#下载文件，”“里面对应的是下载目录，is_train指定导入训练集还是测试集
return DataLoader(data_set, batch_size=15, shuffle=True)#一个批次15张图片，shuffle=true说明数据是随机打乱的，返回数据加载器
def evaluate(test_data, net):#评估正确率
n_correct = 0
n_total = 0
with torch.no_grad():
for (x, y) in test_data:#取出数据
outputs = net.forward(x.view(-1, 28*28))#计算神经网络预测值
for i, output in enumerate(outputs):#作比较
if torch.argmax(output) == y[i]:#argmax取最大预测概率的序号
n_correct += 1#累加正确的
n_total += 1
return n_correct / n_total
def main():
train_data = get_data_loader(is_train=True)#训练集
test_data = get_data_loader(is_train=False)#测试集
net = Net()
print("initial accuracy:", evaluate(test_data, net))#打印初始网络的正确率，接近0.1
optimizer = torch.optim.Adam(net.parameters(), lr=0.001)#以下为pytorch固定写法
for epoch in range(3):#epoch是轮次
for (x, y) in train_data:
net.zero_grad()#初始化
output = net.forward(x.view(-1, 28*28))#正向传播
loss = torch.nn.functional.nll_loss(output, y)#计算差值，null_loss对数损失函数，为了匹配前面log_softmax的对数运算
loss.backward()#反向误差传播
optimizer.step()#优化网络参数
print("epoch", epoch, "accuracy:", evaluate(test_data, net))
for (n, (x, _)) in enumerate(test_data):#抽取4张图像，显示预测结果
if n > 3:
break
predict = torch.argmax(net.forward(x[0].view(-1, 28*28)))
plt.figure(n)
plt.imshow(x[0].view(28, 28),cmap='gray')
plt.title("prediction: " + str(int(predict)))
plt.show()
if __name__ == "__main__":
main()中间可能会报错误：（libiomp5md.dll问题）
OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.这个处理就是在anaconda文件夹下面搜索libiomp5md.dll，那bin下面的 libiomp5md.dll文件全部修改命名，就像我这样，两个bin文件夹下面的都改了。
运行结果：
两轮精确度如下：
4个数字预测图片如下：
