参考莫烦python：

import torchimport torch.utils.data as Dataimport matplotlib.pyplot as pltimport torch.nn.functional as Fimport torch.nn as nnimport torchvision

EPOCH = 1BATCH_SIZE = 50LR = 0.01DOWNLOAD_MNIST = False

train_data = torchvision.datasets.MNIST(
    root = './minst/',
    train=True,
    transform=torchvision.transforms.ToTensor(),
    download=DOWNLOAD_MNIST
)# plt.imshow(train_data.train_data[0].numpy(), cmap='gray')# plt.title('%i' % train_data.train_data_labels[0])# plt.show()train_loader = Data.DataLoader(train_data, batch_size=BATCH_SIZE, shuffle=True)

test_data = torchvision.datasets.MNIST(root='./minst/', train=False)
test_x = torch.unsqueeze(test_data.test_data, dim=1).type(torch.FloatTensor)[:2000]/255.   # shape from (2000, 28, 28) to (2000, 1, 28, 28), value in range(0,1)test_y = test_data.test_labels[:2000]class CNN(nn.Module):def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Sequential( #1 * 16 * 16            nn.Conv2d(
                in_channels=1,
                out_channels=16,
                kernel_size=5,
                stride=1,
                padding=2,
            ), #16 * 28 * 28            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2), #16 * 14 * 14        )
        self.conv2 = nn.Sequential(
            nn.Conv2d(16, 32, 5, 1, 2), #32 * 14 * 14            nn.ReLU(),
            nn.MaxPool2d(2) #32 * 7 * 7        )
        self.out = nn.Linear(32 * 7 * 7, 10)def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        x = x.view(x.size(0), -1) #压缩图像成一维output = self.out(x)return output

cnn = CNN()print(cnn)

optimizer = torch.optim.Adam(cnn.parameters(), lr=LR)   # optimize all cnn parametersloss_func = nn.CrossEntropyLoss()   # the target label is not one-hotted# training and testingfor epoch in range(EPOCH):for step, (b_x, b_y) in enumerate(train_loader):   # 分配 batch data, normalize x when iterate train_loaderoutput = cnn(b_x)               # cnn outputloss = loss_func(output, b_y)   # cross entropy lossoptimizer.zero_grad()           # clear gradients for this training steploss.backward()                 # backpropagation, compute gradientsoptimizer.step()                # apply gradientsif step % 50 == 0:
            test_output = cnn(test_x)
            pred_y = torch.max(test_output, 1)[1].data.squeeze()
            accuracy = sum(pred_y == test_y) / float(test_y.size(0))print('Epoch:', epoch, '|train loss: %.4f' % loss.data)print('|accuracy: %.4f' % accuracy)

test_output = cnn(test_x[:10])
pred_y = torch.max(test_output, 1)[1].data.numpy().squeeze()print(pred_y, 'prediction number')print(test_y[:10].numpy(), 'real number')