第四節

實踐任務-手寫數字識別神經網絡的訓練介紹神經網絡的訓練是指從訓練數據中自動獲取最優權重參數的過程，通常分為兩個階段：第1階段先通過前向傳播算法計算得到預測值，并計算預測值與真實值之間的差距(該差距也稱為損失函數)；第2階段通過反向傳播算法計算損失函數對每一個參數的梯度，使用合適的梯度下降算法對參數進行更新。

第四節

實踐任務-手寫數字識別神經網絡的訓練介紹神經網絡的訓練以及參數更新的全部過程，如圖表示。

實踐任務1-數據處理1數據集介紹手寫數字識別采用MNIST數據集進行訓練，MNIST是有YannLeCun等創建的手寫數字識別數據集，簡單易用，通過對該數據集可以很好地進行手寫數字識別神經網絡建模。MINIST數據集主要是有一些手寫的數字的圖片及對應的標簽，該數據集的圖片共有10類，對應的阿拉伯數字為0~9，如圖表示。

實踐任務1-數據處理1數據集介紹在MINIST數據集介紹的官網(/exdb/mnist/)中可知，原始的MNIST數據集共包含4個文件，如圖表示。

文件名大小用途train-images-idx3-ubyte.gz9912422bytes訓練集圖像train-labels-idx1-ubyte.gz28881bytes訓練集標簽t10k-images-idx3-ubyte.gz1648877bytes測試集圖像t10k-labels-idx1-ubyte.gz4542bytes測試集標簽實踐任務1-MNIST數據處理2導入數據集

在PyTorch中，有一個非常重要并且好用的包是torchvision，該包主要由3個子包組成，分別是models、datasets和transforms。

models定義了許多用來完成圖像方面深度學習的任務模型。

datasets中包含MINIST、FakeData、COCO、LSUN、ImageFolder、DatasetFolder、ImageNet、CIFAR等一些常用的數據集，并且提供了數據集設置的一些重要參數，可以通過簡單數據集設置來進行數據集的調用。

transforms用來對數據進行預處理，預處理會加快神經網絡的訓練，常見的預處理包括從數組轉成張量(tensor)、歸一化等。

實踐任務1-MNIST數據處理2導入數據集importnumpyasnp

importtorch

fromtorchvisionimportdatasets,transforms

importmatplotlib.pyplotasplt

importtorchvision導入所需要的python包：實踐任務1-MNIST數據處理2導入數據集導入MNIST訓練集數據：#1導入數據集

train_loader=torch.utils.data.DataLoader(

datasets.MNIST(root='./data',#root表示數據加載的相對目錄

train=True,#train表示是否加載數據庫的訓練集，False時加載測試集

download=True,#download表示是否自動下載

transform=transforms.Compose([#transform表示對數據進行預處理的操作

transforms.ToTensor(),

transforms.Normalize((0.1307,),(0.3081,))

])),batch_size=64,shuffle=True)#batch_size表示該批次的數據量shuffle表示是否洗牌實踐任務1-MNIST數據處理2導入數據集導入MNIST測試集數據：test_loader=torch.utils.data.DataLoader(

datasets.MNIST('./data',train=False,transform=transforms.Compose([

transforms.ToTensor(),

transforms.Normalize((0.1307,),(0.3081,))

])),batch_size=64,shuffle=True)實踐任務1-MNIST數據處理2導入數據集數據可視化：defimshow(img):

img=img/2+0.5#逆歸一化

npimg=img.numpy()

plt.imshow(np.transpose(npimg,(1,2,0)))

plt.show()

#得到batch中的數據

dataiter=iter(train_loade