### 数字手写识别 Jupyter Notebook 示例教程 #### 使用 PyTorch 实现 MNIST 手写数字识别模型 为了实现一个简单的手写数字识别系统，在 Jupyter Notebook 中可以采用如下方式构建基于 PyTorch 的神经网络模型[^2]： ```python import torch from torchvision import datasets, transforms from torch.utils.data import DataLoader import torch.nn as nn import torch.optim as optim ``` 加载并预处理数据集，这里使用的是经典的 MNIST 数据集。 ```python transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))]) train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform) test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform) train_loader = DataLoader(dataset=train_dataset, batch_size=64, shuffle=True) test_loader = DataLoader(dataset=test_dataset, batch_size=1000, shuffle=False) ``` 定义一个多层感知机作为分类器结构。 ```python class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.fc1 = nn.Linear(28 * 28, 512) self.fc2 = nn.Linear(512, 256) self.fc3 = nn.Linear(256, 10) def forward(self, x): x = x.view(-1, 28*28) # 展平输入图像 x = torch.relu(self.fc1(x)) x = torch.relu(self.fc2(x)) output = self.fc3(x) return output ``` 设置优化算法与损失函数，并开始训练过程。 ```python model = Net() criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) for epoch in range(5): # 训练五个epoch running_loss = 0.0 for data, target in train_loader: optimizer.zero_grad() # 清除梯度 outputs = model(data) loss = criterion(outputs, target) loss.backward() optimizer.step() running_loss += loss.item() print(f'Epoch {epoch+1}, Loss: {running_loss/len(train_loader)}') ``` 测试模型性能。 ```python correct = 0 total = 0 with torch.no_grad(): for data, labels in test_loader: outputs = model(data) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the network on the 10000 test images: %d %%' % ( 100 * correct / total)) ``` 上述代码展示了如何利用 PyTorch 和 Jupyter Notebook 来创建一个基本的手写数字识别应用程序。此程序通过多层感知机构建了一个简单的前馈神经网络来完成对手写字体图片的分类任务。 对于希望探索更高效的深度学习框架选项，也可以考虑华为推出的 MindSpore 深度学习平台。该平台提供了简洁易用的 API 设计以及强大的分布式计算能力支持，非常适合用于快速原型设计和大规模生产环境下的应用开发[^3]。