企业官网建设流程全解析

目录

前言

一、数据准备

二、搭建网络模型

三、损失函数

四、优化算法

五、训练函数

六、测试函数

七、主执行入口

总结

前言

上一篇我们完整梳理了深度学习的整套训练流程。本篇延续之前介绍的四大核心组件：数据、模型、损失函数、优化器，完成经典手写数字识别实战案例。本次重在跑通完整工程流程，不会深挖底层数学原理，带你从零实现一个简易手写数字分类网络。

一、数据准备

首先导入 PyTorch 生态需要用到的依赖包：torch作为基础框架，nn用来搭建网络模块，DataLoader实现批量读取数据，torchvision提供公开数据集与图像预处理工具。

import torch from torch import nn # 搭建神经网络 from torch.utils.data import DataLoader # 批量加载数据 from torchvision import datasets # 内置公开数据集 from torchvision.transforms import ToTensor # 图像转为张量Tensor

手写数字识别是深度学习计算机视觉领域的经典入门多分类任务，核心目标是精准识别并区分 0~9 十种手写数字。本实验采用主流的 MNIST 手写数字数据集，可通过 torchvision 库直接在线下载调用，无需手动整理数据。

数据集样本效果如下图所示，我们将以这类手写数字图像作为训练样本完成分类任务。值得注意的是，代码下载的原始数据集为二进制格式，需通过 ToTensor 预处理转换为模型可运算的张量数据。

API 说明：datasets.MNIST(root, train, download, transform)

• root：数据集存放 / 读取的本地路径

• train：布尔值，True代表训练集，False代表测试集

• download：是否自动在线下载数据集

• transform：数据预处理操作，将图片转为模型可计算的张量格式

MNIST 官方已经提前划分好数据集：训练集60000 张样本，测试集10000 张样本。

training_data = datasets.MNIST( root='./data', train=True, download=True, transform=ToTensor(), ) # 构建测试集 test_data = datasets.MNIST( root='./data', train=False, download=True, transform=ToTensor(), )

为直观观察数据集样本特征，我们编写可视化代码，随机展示6张MNIST手写数字样本，清晰查看图像形态与对应标签。

数据集样本可视化# 可视化展示数据集样本 num_show = 6 # 定义展示样本数量 fig, axes = plt.subplots(1, num_show, figsize=(10, 3)) 遍历样本完成绘图展示 for i in range(num_show): img, label = training_data[i] axes[i].imshow(img.squeeze(), cmap='gray') # 灰度图展示 axes[i].set_title(f'Label: {label}') # 显示对应真实标签 axes[i].axis('off') # 隐藏坐标轴，界面更整洁 plt.tight_layout() # 自适应布局 plt.show() # 展示图像

全部数据一次性送入内存或 GPU 训练会造成显存溢出、程序崩溃，工程上采用小批量迭代训练，借助DataLoader实现分批加载、打乱数据。

API 说明：DataLoader(data, batch_size, shuffle)

• batch_size：每一批次读取多少张图片，这里设置为 64

• shuffle：是否打乱样本顺序；训练集打乱防止过拟合，测试集不需要打乱

train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True) test_dataloader = DataLoader(test_data, batch_size=64, shuffle=False)

二、搭建网络模型

自定义网络类net，必须继承nn.Module，这是 PyTorch 自定义模型的规范。

• nn.Sequential：串行容器，把多层操作按顺序拼接，上一层输出直接作为下一层输入

• nn.Flatten()：把的二维图片拉直成一维 784 长度的特征向量

• nn.Linear(in_dim, out_dim)：全连接层，本质就是特征矩阵和权重矩阵做矩阵乘法运算

• nn.Sigmoid()：激活函数，引入非线性变换，将数值压缩到

本次搭建三层全连接感知机：
输入层：

隐藏层：

输出层：

最终输出 10 个数字类别的预测得分

forward函数定义前向传播逻辑，输入图片张量，返回网络预测结果。

class net(nn.Module): def __init__(self): super().__init__() self.classifier = nn.Sequential( nn.Flatten(), nn.Linear(28*28, 128), nn.Sigmoid(), nn.Linear(128,256), nn.Sigmoid(), nn.Linear(256, 10) ) def forward(self,x): y = self.classifier(x) return y

自动判断运行设备：优先使用 NVIDIA 显卡cuda，苹果芯片使用mps，无加速硬件则使用 CPU，提升代码跨平台兼容性。最后把模型迁移到对应设备上。

device = torch.device('cuda' if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu" ) model = net() model.to(device)

三、损失函数

多分类任务选用交叉熵损失函数 CrossEntropyLoss，专门用来衡量分类任务预测值和真实标签之间的误差。

losser = nn.CrossEntropyLoss()

四、优化算法

采用 SGD 随机梯度下降优化器，更新网络权重参数；lr代表学习率，控制每次参数更新的步长。

model.parameters()：绑定模型所有可学习权重参数w，后续反向传播算出的参数梯度 w.grad，会自动同步给该优化器

optimizer = torch.optim.SGD(model.parameters(), lr=0.1)

五、训练函数

PyTorch 深度学习训练遵循四大固定核心步骤，也是模型参数迭代优化的核心逻辑，步骤顺序有严格规范，是模型正常收敛的关键：

1. 梯度清零：optimizer.zero_grad()。每一批次训练开始前，必须清空上一轮批次累积的梯度。若不清零，梯度会持续累加，导致参数更新出错，模型无法收敛。
2. 前向传播：输入数据至模型，计算预测结果与真实标签的损失值。该步骤可与梯度清零调换顺序，但必须在反向传播之前完成梯度清零。
3. 反向传播求梯度：loss.backward()。根据损失值反向链式求导，自动计算模型所有可学习参数的梯度，并将梯度自动存储在参数的w.grad属性中。
4. 参数更新：optimizer.step()。优化器自动读取参数存储的梯度，结合预设学习率，通过梯度下降公式更新模型权重，完成一轮参数优化。

训练函数除完成核心迭代流程外，还会累计每一轮训练的全局损失与分类准确率，最终输出量化训练指标，直观反馈模型训练效果。完整带规范注释的训练代码如下：

def train(model,device,train_dataloader,loss_fn,optimizer): length = len(train_dataloader.dataset) # 统计训练集总样本数 num_batches = len(train_dataloader) # 统计训练集总批次数量 model.train() # 开启模型训练模式，启用梯度计算、训练专属网络层 sum_loss = 0.0 # 初始化全局累计损失 correct = 0 # 初始化预测正确样本计数器 # 逐批次遍历训练数据，完成迭代训练 for X,y in train_dataloader: X = X.to(device) # 将图像特征迁移至训练设备（GPU/MPS/CPU） y = y.to(device) # 将标签迁移至对应训练设备 y_pred = model(X) # 前向传播，输出10个类别的预测分值，有batch个预测值 loss = loss_fn(y_pred,y) # 计算当前批次的平均交叉熵损失 optimizer.zero_grad() # 清空历史梯度，避免梯度累加 loss.backward() # 反向传播，计算参数梯度并存入w.grad optimizer.step() # 优化器读取梯度，更新模型权重参数 sum_loss += loss.item() # 累加当前批次损失，统计全局总损失 # 取预测概率最大值对应的类别，与真实标签对比，统计正确样本数 correct += (y_pred.argmax(1) == y).sum().item() # 计算并打印本轮训练的平均准确率与平均损失 print(f"平均准确率{correct / length:.4f},平均损失{sum_loss / num_batches:.4f} \n")

六、测试函数

测试阶段不需要更新权重，使用model.eval()关闭 dropout、bn 等训练专用层；torch.no_grad()关闭梯度计算节省显存，只做前向推理，评估模型在未知样本上的泛化能力。

def test(model,device,test_dataloader,loss_fn): length = len(test_dataloader.dataset) # 测试集总样本数量（10000张） num_batches = len(test_dataloader) # 测试集总批次数量 model.eval() # 开启模型评估模式，关闭训练专属层（Dropout、BatchNorm等） sum_loss = 0.0 # 初始化测试集总损失 correct = 0 # 初始化预测正确样本数 # 关闭梯度计算，节省显存、加速推理，避免测试阶段产生多余梯度 with torch.no_grad(): # 逐批次遍历测试数据，完成模型推理 for X,y in test_dataloader: X = X.to(device) # 图像数据迁移至运算设备 y = y.to(device) # 标签数据迁移至运算设备 y_pred = model(X) # 前向推理，得到10个类别的预测分值 loss = loss_fn(y_pred,y) # 计算当前批次的测试损失 sum_loss += loss.item() # 累加批次损失，统计全局测试损失 # 取最高分类别为预测结果，统计本轮预测正确的样本数量 correct += (y_pred.argmax(1) == y).sum().item() 计算并输出测试集整体准确率与平均损失 print(f"测试集平均准确率{correct/length:.4f},测试平均损失{sum_loss/num_batches:.4f}")

七、主执行入口

设置迭代轮次epochs=10，循环完成多轮训练；训练全部结束后执行一次完整测试。

if __name__ == "__main__": epochs = 10 print("开始训练") for i in range(epochs): print(f"第{i + 1}轮训练") train(model, device, train_dataloader, losser, optimizer) print("开始测试") test(model, device, test_dataloader, losser)

模型训练完成后，在未进行任何参数调优的基础条件下，测试集准确率即可达到 94% 左右，基础模型的分类效果表现优异，充分验证了本次搭建的全连接网络结构的有效性。训练输出结果如下：

总结

本次实验完整实现了基于全连接神经网络的 MNIST 手写数字识别任务，系统跑通了深度学习标准训练全流程，涵盖数据加载、模型搭建、损失计算、梯度反向传播与参数迭代优化等核心环节。本文重点在于夯实基础工程流程，后续将进一步讲解模型参数调优、网络结构优化等进阶内容，持续提升模型识别精度与泛化能力。