インポートトーチ から torch.utils.data インポートデータローダ から torchvisionのインポートデータセット から torchvisionのインポート変換 からトーチインポート、NN OPTIMを から torch.nn インポートとして機能F EPOCH = 1000 BATCH_SIZE = 128 LR = 0.001 DOWNLOAD_MNIST = Falseの train_data = datasets.MNIST（ ルート = ' ./mnist ' 、 電車 =確かに、 変換 = transforms.Compose（[ transforms.ToTensor（）、 transforms.Normalize（（ 0.1307）、（0.3081 、）） ]）、 ＃0-255 - > 0-1 ダウンロード= DOWNLOAD_MNIST ） ＃のプロットの一例を 印刷（train_data.train_data.size（）） プリント（train_data.train_labels.size（）） plt.imshow（train_data.train_data [0] .numpy（）、CMAP = ' グレー' ） plt.title（' ％I '％のtrain_data .train_labels [0]） PLT .SHOW（） train_loader=データローダー（データセット= train_data、BATCH_SIZE = BATCH_SIZE、\ シャッフル =真、num_workers = 2 ） TEST_DATA = datasets.MNIST（ ルート = ' ./mnist ' 、 電車 = Falseを、 変換 = transforms.Compose（[ transforms.ToTensor（） 、 transforms.Normalize（（ 0.1307）（0.3081 ）） ]）、 ＃0-255 - > 0-1 ダウンロード= DOWNLOAD_MNIST ） test_loader=データローダー（データセット= TEST_DATA、BATCH_SIZE = BATCH_SIZE、\ シャッフル =真、num_workers = 2 ） のx、ラベル = ITER（test_loader）.next（） ＃这个ITER能把一个BATCH_SIZE提取出来 印刷（" X："、X。形状、' ラベル：' 、label.shape） クラスCNN（nn.Module）： デフ __init__ （自己）： スーパー（CNN、自己）。__init__ （） self.conv1 = nn.Sequential（ ＃の入力形状（1、28、28） nn.Conv2d（ in_channels= 1、 ＃1 入力高 out_channels = 10、 ＃n_filters kernel_size = 5、 ＃1 フィルタサイズ ストライド= 1、 ＃1 フィルタ移動/ステップ パディング= 2、 ＃Conv2d、パディングした後、この画像の同じ幅及び長さが必要な場合=（kernel_size- 1）/ 2ストライド= 1の場合 ）、 ＃の出力形状（16、28、28） nn.ReLU（）、 ＃の活性化 nn.MaxPool2d（kernel_size = 2）、 ＃2x2の領域で最大値を選択し、出力形状（16、14、14） ） self.conv2 = nn.Sequential（ ＃の入力形状（16、14、14） 、nn.Conv2d（10、20、5、1、2） ＃の出力形状（32、14、14） nn.ReLU（）、＃ の活性化 nn.MaxPool2d（2）、 ＃の出力形状（32、7、7） ） self.out1 = nn.Linear（20 * 7 * 7、 512） ＃完全接続層、出力10クラス self.out2 = nn.Linear（512、10 ） DEF フォワード（自己、X）： X =self.conv1（X） X = self.conv2（X） X = x.view（x.size（0）-1） 位（BATCH_SIZE、32 * 7 * 7）にCONV2の出力平坦化 出力= 自己。 （x）はOUT1 出力 = F.relu（出力） 出力 = self.out2（出力） リターン出力 ＃の可視化のためのリターンX DEVICE = torch.device（" CUDA " の場合 torch.cuda.is_available（）それ以外の " CPU " ） CNN = CNN（）。（デバイス）に 印刷（CNN） ＃1 ネットのアーキテクチャ オプティマイザ= optim.Adam（cnn.parameters（）、LR = LR） ＃すべてのCNNは、パラメータ最適化 criteon = nn.CrossEntropyLoss（）。（DEVICE）へ ＃ターゲットラベルは一hottedない デフ電車（モデル、デバイス、train_loader、オプティマイザ、エポック）： model.train（） のため batch_idx、（データ、ターゲット）に列挙（train_loader）： データ、ターゲット = data.to（デバイス）、target.to（デバイス） 出力 = モデル（データの） 損失 = 基準（出力、ターゲット） optimizer.zero_grad（） loss.backward（） optimizer.step（） であれば（batch_idx + 1）％30 == 0： プリント（' 列車エポック：{} [{} / {}（{：.0f}％）] \ TLOSS：{： .6f} ' .format（ エポック、batch_idx * lenは（データ）、LEN（train_loader.dataset）、 100 * batch_idx / LEN（train_loader）、loss.item（））） デフ試験（モデル、デバイス、test_loader）。 model.eval（） test_loss = 0 正しい = 0 （torch.no_grad有する） のためのデータ、対象におけるtest_loader。 データ、ターゲット = data.to（デバイス）、target.to（デバイス） 出力 = モデル（データ） PRED = output.argmax（暗く= 1 ） 正しい + = torch.eq（predは、ターゲット）.FLOAT（）。和（ ）.item（） test_loss + = 基準（出力、ターゲット） ＃1 test_loss + = F.nll_loss（出力、標的、減少= '和'）。項目（）＃将一批的损失相加 ＃ PRED = output.max （1、keepdim = TRUE）[1]＃找到概率最大的下标 ＃ 正しい+ = pred.eq（target.view_as（predを））。和（）項目（） test_loss / = LEN（test_loader.dataset） 印刷（ '\セットNTEST：平均損失：{：.4f}、精度：{} / {}（{：.0f}％）\ n ' .format（ test_loss、正しい、LEN（test_loader.dataset）、 100 *正しいです/ LEN（test_loader.dataset））） ＃のトレーニングとテスト のためのエポックでの範囲（EPOCH）： 電車（CNN、DEVICE、train_loader、オプティマイザ、エポック） テスト（CNN、DEVICE、test_loader）
99％の正解率を得ることができる。最後