以下是一个使用PyTorch运行MNIST数据集的完整代码，并且包含可视化部分。我们将使用一个简单的卷积神经网络（CNN）模型来训练MNIST数据集，并在训练过程中展示一些样本图像。 ```python import torch import torch.nn as nn import torch.optim as optim import torch.nn.functional as F from torchvision import datasets, transforms from torch.utils.data import DataLoader import matplotlib.pyplot as plt # 定义超参数 batch_size = 64 learning_rate = 0.01 epochs = 5 # 数据预处理 transform = transforms.Compose([ transforms.ToTensor(), # 将图像转换为Tensor transforms.Normalize((0.1307,), (0.3081,)) # 标准化 ]) # 加载MNIST数据集 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=batch_size, shuffle=True) test_loader = DataLoader(dataset=test_dataset, batch_size=batch_size, shuffle=False) # 定义卷积神经网络模型 class CNN(nn.Module): def __init__(self): super(CNN, self).__init__() self.conv1 = nn.Conv2d(1, 10, kernel_size=5) # 输入通道数为1，输出通道数为10 self.conv2 = nn.Conv2d(10, 20, kernel_size=5) # 输入通道数为10，输出通道数为20 self.fc1 = nn.Linear(320, 50) # 全连接层 self.fc2 = nn.Linear(50, 10) # 输出层 def forward(self, x): x = F.relu(F.max_pool2d(self.conv1(x), 2)) # 卷积 + 池化 + 激活 x = F.relu(F.max_pool2d(self.conv2(x), 2)) x = x.view(-1, 320) # 展平 x = F.relu(self.fc1(x)) x = self.fc2(x) return F.log_softmax(x, dim=1) model = CNN() # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=learning_rate) # 训练模型 def train(): model.train() for epoch in range(epochs): for batch_idx, (data, target) in enumerate(train_loader): optimizer.zero_grad() output = model(data) loss = criterion(output, target) loss.backward() optimizer.step() if batch_idx % 100 == 0: print(f"Epoch {epoch+1}, Batch {batch_idx}, Loss: {loss.item():.4f}") # 测试模型 def test(): model.eval() test_loss = 0 correct = 0 with torch.no_grad(): for data, target in test_loader: output = model(data) test_loss += criterion(output, target).item() pred = output.argmax(dim=1, keepdim=True) correct += pred.eq(target.view_as(pred)).sum().item() test_loss /= len(test_loader.dataset) print(f"\nTest set: Average loss: {test_loss:.4f}, Accuracy: {correct}/{len(test_loader.dataset)} ({100.*correct/len(test_loader.dataset):.2f}%)\n") # 可视化一些样本图像 def visualize_samples(): examples = enumerate(test_loader) batch_idx, (example_data, example_targets) = next(examples) fig = plt.figure() for i in range(6): plt.subplot(2, 3, i+1) plt.tight_layout() plt.imshow(example_data[i][0], cmap='gray', interpolation='none') plt.title(f"Label: {example_targets[i]}") plt.xticks([]) plt.yticks([]) plt.show() # 运行代码 if __name__ == "__main__": train() test() visualize_samples() ``` ### 解释： 1. **数据加载与预处理**： - 使用`torchvision.datasets.MNIST`加载MNIST数据集。 - 对图像进行归一化处理以加速收敛。 - 使用`DataLoader`将数据分为批次（batch），并设置随机打乱（shuffle）。 2. **模型定义**： - 定义了一个简单的卷积神经网络（CNN），包括两层卷积层和两层全连接层。 - 使用`ReLU`作为激活函数，`MaxPooling`进行下采样。 3. **训练过程**： - 使用交叉熵损失函数（`CrossEntropyLoss`）和随机梯度下降优化器（`SGD`）。 - 在每个epoch中打印当前batch的损失值。 4. **测试过程**： - 在测试集上评估模型性能，计算平均损失和准确率。 5. **可视化**： - 使用`matplotlib`库展示测试集中前6张图像及其标签。 ###