pytorch mnist分类特征怎么提取

在PyTorch中，我们可以使用torchvision.transforms模块中的ToTensor()函数将图像数据转换为PyTorch张量，然后使用nn.Linear()层来提取特征。以下是一个简单的示例：

import torch
import torchvision
import torchvision.transforms as transforms
import torch.nn as nn

# 加载MNIST数据集
transform = transforms.Compose([transforms.ToTensor()])
trainset = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True)

testset = torchvision.datasets.MNIST(root='./data', train=False, download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=64, shuffle=False)

# 定义一个简单的神经网络
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(28 * 28, 128)
        self.fc2 = nn.Linear(128, 64)
        self.fc3 = nn.Linear(64, 10)

    def forward(self, x):
        x = x.view(-1, 28 * 28)
        x = torch.relu(self.fc1(x))
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Net()

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

# 训练网络
for epoch in range(5):
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data

        optimizer.zero_grad()

        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()

    print(f"Epoch {epoch + 1}, Loss: {running_loss / (i + 1)}")

print("Finished Training")

在这个示例中，我们首先加载MNIST数据集并将其转换为PyTorch张量。然后，我们定义了一个简单的神经网络，其中包含一个输入层、两个隐藏层和一个输出层。在输入层中，我们将输入图像展平为一维向量（28 * 28），然后将其传递给隐藏层。最后，我们使用交叉熵损失函数和随机梯度下降优化器训练网络。