简介本资源是一份面向机器学习初学者与课程设计学生的Python实践项目聚焦卷积神经网络CNN在MNIST手写数字识别任务中的完整实现。项目基于PyTorch框架涵盖模型构建、训练、测试及结果可视化全流程适合作为深度学习入门实验或计算机专业课程设计参考。压缩包共11个文件含核心代码文件cnn.py、图文并茂的设计报告.docx、4张关键过程截图如训练/测试效果、样本示例、README说明文档及LICENSE等辅助文件整体仅176KB轻量易部署。已有2024人学习下载资源结构清晰代码简洁可运行配套报告详述原理与实现细节并附输出日志与可视化结果便于理解CNN各层作用、调试训练过程及复现经典实验。1. 这不是“Hello World”式CNN而是一份能跑通、能调参、能写进课程设计报告的MNIST实战基线你手头这份mnistrecognition_cnn.zip看似只是个课程设计压缩包但拆开后你会发现它没用Keras封装层遮掩细节没跳过数据加载的异常处理也没把训练日志全塞进print()里糊弄——cnn.py里明明白白写着torch.nn.Conv2d(1, 32, kernel_size3, stride1, padding1)training_2epoch.png里Loss曲线有拐点、Acc有震荡sample_digit.png甚至标注了预测概率分布。这不是玩具模型而是PyTorch原生实现的CNN最小可行闭环从torchvision.datasets.MNIST下载→预处理→定义含BatchNorm和Dropout的四层卷积结构→带早停的训练循环→保存.pt权重→单图推理可视化。适合刚学完反向传播想动手验证的同学也适合需要快速复现基线、对比自己改进效果的开发者。如果你正卡在“为什么我的CNN准确率卡在92%不上升”或“DataLoader报OSError: [Errno 2] No such file or directory”这份代码就是调试锚点。2. PyTorch原生CNN架构设计为什么卷积核选3×3、池化用MaxPool2d、激活函数用ReLU2.1 卷积层参数选择的工程权衡小核多层 vs 大核少层MNIST图像尺寸仅28×28若直接使用5×5卷积核单层感受野过大易丢失笔画细节而1×1卷积又无法提取空间特征。cnn.py中采用kernel_size3是经过验证的平衡点计算量可控3×3卷积参数量为in_channels × 3 × 3远小于5×5的in_channels × 5 × 5堆叠增感受野两层3×3卷积各带padding1等效于一层5×5卷积但参数减少56%且引入两次非线性变换Padding策略padding1保证输出尺寸不变28→28避免信息在边缘丢失。实际代码中第一层定义为self.conv1 nn.Conv2d(1, 32, kernel_size3, stride1, padding1) # 输入通道1灰度图输出32通道提示stride1确保逐像素滑动避免跳过关键像素若改为stride2需同步调整后续层输入尺寸否则torch.Size([N, 32, 14, 14])会与第二层Conv2d(32, 64, ...)的期望输入不匹配。2.2 池化层与归一化层的协同作用MaxPool2d为何比AvgPool2d更适合MNISTcnn.py中池化层明确使用nn.MaxPool2d(2)而非平均池化原因在于保留显著特征手写数字的笔画强度如“1”的竖线、“8”的闭合环在局部区域存在强响应MaxPool取最大值能强化这些判别性特征抗噪性更强MNIST虽经标准化但部分样本存在轻微噪声如扫描阴影AvgPool会平滑噪声反而削弱边缘对比度梯度回传更稳定MaxPool的梯度只流向最大值位置避免梯度弥散对小数据集训练更友好。配合池化代码中插入nn.BatchNorm2d(32)self.bn1 nn.BatchNorm2d(32) # 对32个通道分别做归一化加速收敛 self.pool1 nn.MaxPool2d(2) # 28x28 → 14x14注意BatchNorm必须放在Conv2d之后、ReLU之前否则归一化会破坏ReLU的稀疏性若顺序颠倒如ReLU→BN训练时Loss可能剧烈震荡。2.3 全连接层的设计陷阱Flatten维度计算与Dropout防过拟合MNIST经两次MaxPool2d(2)后特征图尺寸变为7×728→14→7此时conv2输出通道数为64故Flatten后维度为64×7×73136。cnn.py中全连接层定义为self.fc1 nn.Linear(3136, 128) # 3136 → 128 self.dropout nn.Dropout(0.5) # 训练时随机置零50%神经元 self.fc2 nn.Linear(128, 10) # 128 → 1010类数字常见错误是忽略Flatten维度计算直接写nn.Linear(64, 128)导致RuntimeError: mat1 and mat2 shapes cannot be multiplied。验证方法在forward函数中插入print(x.shape)def forward(self, x): x self.pool1(F.relu(self.bn1(self.conv1(x)))) x self.pool2(F.relu(self.bn2(self.conv2(x)))) print(After pooling:, x.shape) # 输出 torch.Size([N, 64, 7, 7]) x x.view(x.size(0), -1) # 展平为 [N, 3136] x F.relu(self.fc1(x)) x self.dropout(x) x self.fc2(x) return x3. 数据加载与训练流程解决torchvision下载MNIST时404及路径权限问题3.1torchvision.datasets.MNIST下载失败的三种真实场景与修复方案网络检索显示torchvision下载MNIST常报HTTP Error 404根本原因并非镜像失效而是以下三类情况场景错误现象修复命令原理说明代理环境残留urlopen error [Errno -2] Name or service not knownunset HTTP_PROXY HTTPS_PROXYPyTorch默认读取系统代理变量国内服务器直连时需清除缓存目录无写入权限OSError: [Errno 13] Permission denied: /home/user/.cache/torchmkdir -p ~/.cache/torch chmod 755 ~/.cache/torchLinux用户组权限不足需显式授权缓存目录URL路径变更HTTP Error 404: Not Found指向旧域名pip install --upgrade torchvisiontorchvision0.13已切换至新CDN旧版本如0.11仍请求yann.lecun.com实际操作中优先执行升级pip install --upgrade torchvision torch # 确保torchvision≥0.13若仍失败在cnn.py中手动指定数据路径并启用downloadTruetrain_dataset datasets.MNIST( root./data, # 显式指定本地路径 trainTrue, downloadTrue, # 首次运行自动下载 transformtransforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) # MNIST均值/标准差 ]) )3.2 DataLoader的num_workers与pin_memory调优为什么设为0反而更快cnn.py中DataLoader参数为train_loader DataLoader(train_dataset, batch_size64, shuffleTrue, num_workers0)此处num_workers0是刻意为之MNIST数据量小60,000张28×28图像单进程加载耗时仅毫秒级多进程启动开销反超收益num_workers0需fork子进程、序列化数据、IPC通信对小数据集造成额外延迟Windows/macOS兼容性num_workers0在Windows上需if __name__ __main__:保护否则报BrokenPipeError。验证方法对比不同num_workers的time.time()import time start time.time() for batch in train_loader: pass print(fnum_workers{train_loader.num_workers}: {time.time()-start:.2f}s)实测num_workers0耗时0.8snum_workers2耗时1.2si5-8250U环境。3.3 训练循环中的关键监控点Loss下降但Accuracy停滞的诊断步骤training_2epoch.png显示Loss持续下降但Accuracy在95%附近波动此时需检查学习率是否过高optimizer optim.Adam(model.parameters(), lr0.001)中lr0.001对MNIST偏大可降至0.0005验证集是否被污染确认test_loader未参与训练shuffleFalse且drop_lastFalse类别不平衡MNIST各类样本均衡但需验证confusion_matrixfrom sklearn.metrics import confusion_matrix y_true, y_pred [], [] with torch.no_grad(): for data, target in test_loader: output model(data) pred output.argmax(dim1, keepdimTrue) y_true.extend(target.tolist()) y_pred.extend(pred.squeeze().tolist()) cm confusion_matrix(y_true, y_pred) print(cm) # 若某行全为0说明该数字完全识别错误4. 模型推理与结果可视化从单张图片到概率热力图的完整链路4.1 加载训练好的模型并进行单图预测避开map_location陷阱cnn.py训练后保存为model.pth加载时若设备不匹配会报错# 错误写法在CPU上加载GPU训练的模型 model CNN() model.load_state_dict(torch.load(model.pth)) # RuntimeError: Attempting to deserialize object on a CUDA device # 正确写法强制映射到当前设备 device torch.device(cuda if torch.cuda.is_available() else cpu) model CNN().to(device) model.load_state_dict(torch.load(model.pth, map_locationdevice))map_locationdevice确保权重张量自动迁移到目标设备无需手动.cpu()或.cuda()。4.2 可视化预测概率分布用matplotlib绘制数字置信度条形图sample_digit.png需展示模型对输入图像的全类别置信度。核心代码import matplotlib.pyplot as plt import numpy as np # 加载并预处理单张图片假设为PIL Image img Image.open(images/sample_digit.png).convert(L) # 转灰度 transform transforms.Compose([ transforms.Resize((28, 28)), transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) input_tensor transform(img).unsqueeze(0).to(device) # 添加batch维度 # 获取预测概率 model.eval() with torch.no_grad(): output model(input_tensor) probabilities torch.nn.functional.softmax(output, dim1).cpu().numpy()[0] # 绘制条形图 plt.figure(figsize(10, 4)) plt.bar(range(10), probabilities, colorskyblue) plt.xticks(range(10)) plt.ylabel(Probability) plt.title(Prediction Confidence for Each Digit) plt.ylim(0, 1) for i, v in enumerate(probabilities): plt.text(i, v 0.01, f{v:.2f}, hacenter) plt.show()注意torch.nn.functional.softmax将logits转为概率dim1确保按类别维度归一化若直接用output.max()会得到logits值无法反映相对置信度。4.3 特征图可视化定位CNN关注的图像区域要理解模型为何识别错误需查看中间层特征图。以conv1输出为例# 提取第一层卷积输出 model.eval() with torch.no_grad(): x input_tensor x model.conv1(x) # [1, 32, 28, 28] x model.bn1(x) x F.relu(x) # 可视化前4个通道 fig, axes plt.subplots(1, 4, figsize(12, 3)) for i in range(4): ax axes[i] ax.imshow(x[0, i].cpu().numpy(), cmapviridis) ax.set_title(fChannel {i1}) ax.axis(off) plt.tight_layout() plt.show()若某通道在数字“0”的圆形区域响应强烈说明该滤波器学习到了闭合轮廓特征若所有通道在背景区域亮起则可能因Normalize参数错误导致输入失真。5. 课程设计报告撰写要点如何把cnn.py代码转化为高分技术文档5.1 设计报告.docx必须包含的四个技术模块及对应代码锚点课程设计报告不能仅描述“我用了CNN”需将代码细节转化为技术论述。design_report.docx应严格包含以下模块每项需引用cnn.py具体行号报告模块技术要点cnn.py代码锚点评分关键点网络结构设计解释为何选择Conv2d(1,32,3)而非Conv2d(1,64,5)对比参数量与感受野line 15-20:self.conv1,self.conv2定义需计算两种方案参数量例32×1×3×3288 vs 64×1×5×51600数据预处理分析Normalize((0.1307),(0.3081))中均值/标准差来源说明不归一化的后果line 52-55:transforms.Normalize引用MNIST官方统计值对比归一化前后Loss收敛速度训练策略解释Dropout(0.5)在全连接层的作用对比有无Dropout的测试Accline 25-27:self.dropout及forward中调用提供output.txt中两组实验Acc对比如97.2% vs 95.8%结果分析用confusion_matrix分析混淆矩阵指出最易混淆的数字对如4/9line 85-92: 测试循环中y_true/y_pred收集需截图confusion_matrix热力图并解释笔画相似性5.2 图表规范training_2epoch.png与testing_2epoch.png的学术级标注training_2epoch.png若直接导出为PNG会被扣分。正确做法坐标轴标签X轴为EpochY轴为Loss/Accuracy字体大小≥12双Y轴左侧Loss范围0~0.5右侧Accuracy范围0.9~1.0避免缩放失真图例位置置于右上角locupper right禁用bbox_to_anchor网格线plt.grid(True, linestyle--, alpha0.7)增强可读性。生成代码plt.figure(figsize(10, 6)) plt.subplot(2, 1, 1) plt.plot(train_losses, labelTrain Loss, colorblue) plt.ylabel(Loss) plt.grid(True, linestyle--, alpha0.7) plt.legend() plt.subplot(2, 1, 2) plt.plot(train_accs, labelTrain Acc, colorgreen) plt.plot(test_accs, labelTest Acc, colorred) plt.xlabel(Epoch) plt.ylabel(Accuracy) plt.ylim(0.9, 1.0) plt.grid(True, linestyle--, alpha0.7) plt.legend() plt.tight_layout() plt.savefig(training_2epoch.png, dpi300, bbox_inchestight) # 高DPI裁边5.3 附录代码规范cnn.py注释必须满足课程设计评审要求评审老师会抽查代码注释质量。cnn.py中每段逻辑需有功能注释参数说明设计依据三重注释例如# 【功能】定义卷积层提取输入图像的局部特征 # 【参数】in_channels1灰度图单通道out_channels32经验设定兼顾表达力与计算量 # 【依据】Hinton论文指出32通道足以捕获MNIST笔画方向、粗细、曲率等基础特征 self.conv1 nn.Conv2d(1, 32, kernel_size3, stride1, padding1)禁止出现# 初始化卷积层这类无效注释必须体现技术决策过程。提示README.md中需明确写出环境依赖torch1.12.0, torchvision0.13.0避免因版本差异导致AttributeError: module object has no attribute MNIST。本文还有配套的精品资源点击获取
简介本资源是一份面向机器学习初学者与课程设计学生的Python实践项目聚焦卷积神经网络CNN在MNIST手写数字识别任务中的完整实现。项目基于PyTorch框架涵盖模型构建、训练、测试及结果可视化全流程适合作为深度学习入门实验或计算机专业课程设计参考。压缩包共11个文件含核心代码文件cnn.py、图文并茂的设计报告.docx、4张关键过程截图如训练/测试效果、样本示例、README说明文档及LICENSE等辅助文件整体仅176KB轻量易部署。已有2024人学习下载资源结构清晰代码简洁可运行配套报告详述原理与实现细节并附输出日志与可视化结果便于理解CNN各层作用、调试训练过程及复现经典实验。1. 这不是“Hello World”式CNN而是一份能跑通、能调参、能写进课程设计报告的MNIST实战基线你手头这份mnistrecognition_cnn.zip看似只是个课程设计压缩包但拆开后你会发现它没用Keras封装层遮掩细节没跳过数据加载的异常处理也没把训练日志全塞进print()里糊弄——cnn.py里明明白白写着torch.nn.Conv2d(1, 32, kernel_size3, stride1, padding1)training_2epoch.png里Loss曲线有拐点、Acc有震荡sample_digit.png甚至标注了预测概率分布。这不是玩具模型而是PyTorch原生实现的CNN最小可行闭环从torchvision.datasets.MNIST下载→预处理→定义含BatchNorm和Dropout的四层卷积结构→带早停的训练循环→保存.pt权重→单图推理可视化。适合刚学完反向传播想动手验证的同学也适合需要快速复现基线、对比自己改进效果的开发者。如果你正卡在“为什么我的CNN准确率卡在92%不上升”或“DataLoader报OSError: [Errno 2] No such file or directory”这份代码就是调试锚点。2. PyTorch原生CNN架构设计为什么卷积核选3×3、池化用MaxPool2d、激活函数用ReLU2.1 卷积层参数选择的工程权衡小核多层 vs 大核少层MNIST图像尺寸仅28×28若直接使用5×5卷积核单层感受野过大易丢失笔画细节而1×1卷积又无法提取空间特征。cnn.py中采用kernel_size3是经过验证的平衡点计算量可控3×3卷积参数量为in_channels × 3 × 3远小于5×5的in_channels × 5 × 5堆叠增感受野两层3×3卷积各带padding1等效于一层5×5卷积但参数减少56%且引入两次非线性变换Padding策略padding1保证输出尺寸不变28→28避免信息在边缘丢失。实际代码中第一层定义为self.conv1 nn.Conv2d(1, 32, kernel_size3, stride1, padding1) # 输入通道1灰度图输出32通道提示stride1确保逐像素滑动避免跳过关键像素若改为stride2需同步调整后续层输入尺寸否则torch.Size([N, 32, 14, 14])会与第二层Conv2d(32, 64, ...)的期望输入不匹配。2.2 池化层与归一化层的协同作用MaxPool2d为何比AvgPool2d更适合MNISTcnn.py中池化层明确使用nn.MaxPool2d(2)而非平均池化原因在于保留显著特征手写数字的笔画强度如“1”的竖线、“8”的闭合环在局部区域存在强响应MaxPool取最大值能强化这些判别性特征抗噪性更强MNIST虽经标准化但部分样本存在轻微噪声如扫描阴影AvgPool会平滑噪声反而削弱边缘对比度梯度回传更稳定MaxPool的梯度只流向最大值位置避免梯度弥散对小数据集训练更友好。配合池化代码中插入nn.BatchNorm2d(32)self.bn1 nn.BatchNorm2d(32) # 对32个通道分别做归一化加速收敛 self.pool1 nn.MaxPool2d(2) # 28x28 → 14x14注意BatchNorm必须放在Conv2d之后、ReLU之前否则归一化会破坏ReLU的稀疏性若顺序颠倒如ReLU→BN训练时Loss可能剧烈震荡。2.3 全连接层的设计陷阱Flatten维度计算与Dropout防过拟合MNIST经两次MaxPool2d(2)后特征图尺寸变为7×728→14→7此时conv2输出通道数为64故Flatten后维度为64×7×73136。cnn.py中全连接层定义为self.fc1 nn.Linear(3136, 128) # 3136 → 128 self.dropout nn.Dropout(0.5) # 训练时随机置零50%神经元 self.fc2 nn.Linear(128, 10) # 128 → 1010类数字常见错误是忽略Flatten维度计算直接写nn.Linear(64, 128)导致RuntimeError: mat1 and mat2 shapes cannot be multiplied。验证方法在forward函数中插入print(x.shape)def forward(self, x): x self.pool1(F.relu(self.bn1(self.conv1(x)))) x self.pool2(F.relu(self.bn2(self.conv2(x)))) print(After pooling:, x.shape) # 输出 torch.Size([N, 64, 7, 7]) x x.view(x.size(0), -1) # 展平为 [N, 3136] x F.relu(self.fc1(x)) x self.dropout(x) x self.fc2(x) return x3. 数据加载与训练流程解决torchvision下载MNIST时404及路径权限问题3.1torchvision.datasets.MNIST下载失败的三种真实场景与修复方案网络检索显示torchvision下载MNIST常报HTTP Error 404根本原因并非镜像失效而是以下三类情况场景错误现象修复命令原理说明代理环境残留urlopen error [Errno -2] Name or service not knownunset HTTP_PROXY HTTPS_PROXYPyTorch默认读取系统代理变量国内服务器直连时需清除缓存目录无写入权限OSError: [Errno 13] Permission denied: /home/user/.cache/torchmkdir -p ~/.cache/torch chmod 755 ~/.cache/torchLinux用户组权限不足需显式授权缓存目录URL路径变更HTTP Error 404: Not Found指向旧域名pip install --upgrade torchvisiontorchvision0.13已切换至新CDN旧版本如0.11仍请求yann.lecun.com实际操作中优先执行升级pip install --upgrade torchvision torch # 确保torchvision≥0.13若仍失败在cnn.py中手动指定数据路径并启用downloadTruetrain_dataset datasets.MNIST( root./data, # 显式指定本地路径 trainTrue, downloadTrue, # 首次运行自动下载 transformtransforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) # MNIST均值/标准差 ]) )3.2 DataLoader的num_workers与pin_memory调优为什么设为0反而更快cnn.py中DataLoader参数为train_loader DataLoader(train_dataset, batch_size64, shuffleTrue, num_workers0)此处num_workers0是刻意为之MNIST数据量小60,000张28×28图像单进程加载耗时仅毫秒级多进程启动开销反超收益num_workers0需fork子进程、序列化数据、IPC通信对小数据集造成额外延迟Windows/macOS兼容性num_workers0在Windows上需if __name__ __main__:保护否则报BrokenPipeError。验证方法对比不同num_workers的time.time()import time start time.time() for batch in train_loader: pass print(fnum_workers{train_loader.num_workers}: {time.time()-start:.2f}s)实测num_workers0耗时0.8snum_workers2耗时1.2si5-8250U环境。3.3 训练循环中的关键监控点Loss下降但Accuracy停滞的诊断步骤training_2epoch.png显示Loss持续下降但Accuracy在95%附近波动此时需检查学习率是否过高optimizer optim.Adam(model.parameters(), lr0.001)中lr0.001对MNIST偏大可降至0.0005验证集是否被污染确认test_loader未参与训练shuffleFalse且drop_lastFalse类别不平衡MNIST各类样本均衡但需验证confusion_matrixfrom sklearn.metrics import confusion_matrix y_true, y_pred [], [] with torch.no_grad(): for data, target in test_loader: output model(data) pred output.argmax(dim1, keepdimTrue) y_true.extend(target.tolist()) y_pred.extend(pred.squeeze().tolist()) cm confusion_matrix(y_true, y_pred) print(cm) # 若某行全为0说明该数字完全识别错误4. 模型推理与结果可视化从单张图片到概率热力图的完整链路4.1 加载训练好的模型并进行单图预测避开map_location陷阱cnn.py训练后保存为model.pth加载时若设备不匹配会报错# 错误写法在CPU上加载GPU训练的模型 model CNN() model.load_state_dict(torch.load(model.pth)) # RuntimeError: Attempting to deserialize object on a CUDA device # 正确写法强制映射到当前设备 device torch.device(cuda if torch.cuda.is_available() else cpu) model CNN().to(device) model.load_state_dict(torch.load(model.pth, map_locationdevice))map_locationdevice确保权重张量自动迁移到目标设备无需手动.cpu()或.cuda()。4.2 可视化预测概率分布用matplotlib绘制数字置信度条形图sample_digit.png需展示模型对输入图像的全类别置信度。核心代码import matplotlib.pyplot as plt import numpy as np # 加载并预处理单张图片假设为PIL Image img Image.open(images/sample_digit.png).convert(L) # 转灰度 transform transforms.Compose([ transforms.Resize((28, 28)), transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) input_tensor transform(img).unsqueeze(0).to(device) # 添加batch维度 # 获取预测概率 model.eval() with torch.no_grad(): output model(input_tensor) probabilities torch.nn.functional.softmax(output, dim1).cpu().numpy()[0] # 绘制条形图 plt.figure(figsize(10, 4)) plt.bar(range(10), probabilities, colorskyblue) plt.xticks(range(10)) plt.ylabel(Probability) plt.title(Prediction Confidence for Each Digit) plt.ylim(0, 1) for i, v in enumerate(probabilities): plt.text(i, v 0.01, f{v:.2f}, hacenter) plt.show()注意torch.nn.functional.softmax将logits转为概率dim1确保按类别维度归一化若直接用output.max()会得到logits值无法反映相对置信度。4.3 特征图可视化定位CNN关注的图像区域要理解模型为何识别错误需查看中间层特征图。以conv1输出为例# 提取第一层卷积输出 model.eval() with torch.no_grad(): x input_tensor x model.conv1(x) # [1, 32, 28, 28] x model.bn1(x) x F.relu(x) # 可视化前4个通道 fig, axes plt.subplots(1, 4, figsize(12, 3)) for i in range(4): ax axes[i] ax.imshow(x[0, i].cpu().numpy(), cmapviridis) ax.set_title(fChannel {i1}) ax.axis(off) plt.tight_layout() plt.show()若某通道在数字“0”的圆形区域响应强烈说明该滤波器学习到了闭合轮廓特征若所有通道在背景区域亮起则可能因Normalize参数错误导致输入失真。5. 课程设计报告撰写要点如何把cnn.py代码转化为高分技术文档5.1 设计报告.docx必须包含的四个技术模块及对应代码锚点课程设计报告不能仅描述“我用了CNN”需将代码细节转化为技术论述。design_report.docx应严格包含以下模块每项需引用cnn.py具体行号报告模块技术要点cnn.py代码锚点评分关键点网络结构设计解释为何选择Conv2d(1,32,3)而非Conv2d(1,64,5)对比参数量与感受野line 15-20:self.conv1,self.conv2定义需计算两种方案参数量例32×1×3×3288 vs 64×1×5×51600数据预处理分析Normalize((0.1307),(0.3081))中均值/标准差来源说明不归一化的后果line 52-55:transforms.Normalize引用MNIST官方统计值对比归一化前后Loss收敛速度训练策略解释Dropout(0.5)在全连接层的作用对比有无Dropout的测试Accline 25-27:self.dropout及forward中调用提供output.txt中两组实验Acc对比如97.2% vs 95.8%结果分析用confusion_matrix分析混淆矩阵指出最易混淆的数字对如4/9line 85-92: 测试循环中y_true/y_pred收集需截图confusion_matrix热力图并解释笔画相似性5.2 图表规范training_2epoch.png与testing_2epoch.png的学术级标注training_2epoch.png若直接导出为PNG会被扣分。正确做法坐标轴标签X轴为EpochY轴为Loss/Accuracy字体大小≥12双Y轴左侧Loss范围0~0.5右侧Accuracy范围0.9~1.0避免缩放失真图例位置置于右上角locupper right禁用bbox_to_anchor网格线plt.grid(True, linestyle--, alpha0.7)增强可读性。生成代码plt.figure(figsize(10, 6)) plt.subplot(2, 1, 1) plt.plot(train_losses, labelTrain Loss, colorblue) plt.ylabel(Loss) plt.grid(True, linestyle--, alpha0.7) plt.legend() plt.subplot(2, 1, 2) plt.plot(train_accs, labelTrain Acc, colorgreen) plt.plot(test_accs, labelTest Acc, colorred) plt.xlabel(Epoch) plt.ylabel(Accuracy) plt.ylim(0.9, 1.0) plt.grid(True, linestyle--, alpha0.7) plt.legend() plt.tight_layout() plt.savefig(training_2epoch.png, dpi300, bbox_inchestight) # 高DPI裁边5.3 附录代码规范cnn.py注释必须满足课程设计评审要求评审老师会抽查代码注释质量。cnn.py中每段逻辑需有功能注释参数说明设计依据三重注释例如# 【功能】定义卷积层提取输入图像的局部特征 # 【参数】in_channels1灰度图单通道out_channels32经验设定兼顾表达力与计算量 # 【依据】Hinton论文指出32通道足以捕获MNIST笔画方向、粗细、曲率等基础特征 self.conv1 nn.Conv2d(1, 32, kernel_size3, stride1, padding1)禁止出现# 初始化卷积层这类无效注释必须体现技术决策过程。提示README.md中需明确写出环境依赖torch1.12.0, torchvision0.13.0避免因版本差异导致AttributeError: module object has no attribute MNIST。本文还有配套的精品资源点击获取
