只要你接觸過深度學習（deep learning），那一定對MNIST資料集不陌生。MNIST是一個經典的手寫數字資料集，包含了60000張訓練圖片及10000張測試圖片。其中，每張圖片都是灰階的，且維度大小為28×28。
現在，讓我們用PyTorch建構神經網路，並嘗試對MNIST數字進行分類吧！
首先，我們透過torchvision函式庫來下載訓練集和測試集，並分別存放在train_data及test_data。同時，我們可以利用len()查詢這兩者的樣本數，以確認結果符合預期。
來看看訓練集中的第一張圖片長什麼樣子:
接下來，就要來建構分類模型了。在開發神經網路時，很常會遇到內建模組無法滿足需求的情況。因此在本例中，我們將建立自己的nn.Module子類別。在自行建立的nn.Module子類別中，至少必須定義一個forward()函式來決定模型的運算過程。在使用PyTorch的情況下，autograd會自動處理反向計算的部分，因此nn.Module中無需定義任何的backward函式。
建構好模型後，就要來進行訓練了。在這裡，我們只設定進行100次的訓練。同時也將訓練過程中的各資訊（如：當前迴圈的預測準確率及損失等）記錄下來，以便於稍後對結果進行視覺化。
讓我們把損失隨著訓練迴圈的變化給畫出來：
從圖中可見，損失在前10個訓練迴圈中波動很大，然後便逐漸收斂至一個很小的數值。這代表我們的訓練是成功的，接下來，同樣把訓練過程中的預測準確率變化給畫出來吧！
看來，我們的模型在訓練集中表現還不錯。在僅僅100次訓練後，就取得了97%的預測準確率。最後，我們要來看看該模型在未見過的資料（即測試資料集）上的表現。在以下程式中，小編從測試資料集中隨機選取了10張圖片，並讓模型針對這些圖片進行預測。結果如下：
我們的模型居然全部都預測成功了！有可能是模型剛好運氣不錯，因此不妨來看看模型在整個測試資料集（共10000張圖片）上的預測準確率有多少：
即使是在整個測試集上，模型的預測準確率也高達96%。由此可見，我們的模型並沒有發生過度配適（overfitting）的問題。至此，我們已經成功訓練出能夠有效分類MNIST數字的模型了。由於篇幅的限制，此處無法詳細說明PyTorch模型的內部細節，感興趣的讀者歡迎參考《核心開發者親授！PyTorch深度學習攻略》一書。本書為PyTorch官方唯一推薦教材，並且由PyTorch核心開發者所著，能以更全面的視角來進行教學。
以上的所有程式皆已整理在Colab筆記本中，鼓勵讀者可以自行嘗試調整訓練迴圈、批次大小等參數，看看能不能進一步增進模型的表現吧！
