pytorch mnist分类激活函数用哪个

在PyTorch中，对于MNIST手写数字分类任务，通常推荐使用ReLU（Rectified Linear Unit）作为激活函数。ReLU函数能够加速模型的训练过程，并且有助于解决梯度消失问题。

以下是一个简单的示例，展示了如何在PyTorch中使用ReLU激活函数进行MNIST分类：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义一个简单的卷积神经网络（CNN）模型
class MNISTClassifier(nn.Module):
    def __init__(self):
        super(MNISTClassifier, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, kernel_size=3, stride=1, padding=1)
        self.relu1 = nn.ReLU()
        self.maxpool1 = nn.MaxPool2d(kernel_size=2, stride=2)
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1)
        self.relu2 = nn.ReLU()
        self.maxpool2 = nn.MaxPool2d(kernel_size=2, stride=2)
        self.fc1 = nn.Linear(64 * 7 * 7, 128)
        self.relu3 = nn.ReLU()
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = self.relu1(x)
        x = self.maxpool1(x)
        x = self.conv2(x)
        x = self.relu2(x)
        x = self.maxpool2(x)
        x = x.view(-1, 64 * 7 * 7)
        x = self.fc1(x)
        x = self.relu3(x)
        x = self.fc2(x)
        return x

# 创建模型实例
model = MNISTClassifier()

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 训练模型
for epoch in range(10):
    for data, target in train_loader:
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()
    print(f"Epoch {epoch+1}, Loss: {loss.item():.4f}")

# 测试模型
model.eval()
with torch.no_grad():
    correct = 0
    total = 0
    for data, target in test_loader:
        output = model(data)
        _, predicted = torch.max(output.data, 1)
        total += target.size(0)
        correct += (predicted == target).sum().item()
    print(f"Accuracy: {100 * correct / total:.2f}%")

在这个示例中，我们定义了一个简单的CNN模型，并在其中使用了ReLU激活函数。请注意，ReLU函数在输入为负数时返回0，这有助于缓解梯度消失问题。此外，我们还使用了交叉熵损失函数（nn.CrossEntropyLoss()）和Adam优化器（optim.Adam()）来训练模型。