系统：Win10

环境：Pycharm/Vscode     Python3.7

效果图：

部分代码如下：

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets,transforms

#定义超参数
BATCH_SIZE = 16  # 每批处理的数据
DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 是否用GPU还是CPU训练

import torch

# 检查是否有CUDA支持
if torch.cuda.is_available():
    # 加载模型时将存储映射到CPU
    saved_model_weights = torch.load('trained_model.pth', map_location=torch.device('cpu'))
else:
    # 正常加载模型
    saved_model_weights = torch.load('trained_model.pth')

EPOCHS = 20# 训练数据集的轮次
#  构建pipeline,对图像做处理
pipeline = transforms.Compose([
    transforms.ToTensor(),# 将图片转换成tensor
    transforms.Normalize((0.1307,),(0.3081,)) # 正则化降低模型复杂度
])
#下载、加载数据
from torch.utils.data import DataLoader

# 下载数据集
pipeline = transforms.Compose([
    transforms.Grayscale(num_output_channels=1),
    transforms.Resize((28, 28)),  # 将图像大小调整为 28x28
    transforms.ToTensor(),# 将图片转换成tensor
    transforms.Normalize((0.1307,),(0.3081,)) # 正则化降低模型复杂度
])
# 加载完整的训练集
train_dataset = datasets.ImageFolder('mnist+', transform=pipeline)
# 定义训练集和测试集的比例
train_ratio = 0.8  # 训练集占总体的80%
test_ratio = 0.2   # 测试集占总体的20%
# 计算划分的大小
train_size = int(train_ratio * len(train_dataset))
test_size = len(train_dataset) - train_size
# 使用random_split函数进行划分
train_dataset, test_dataset = torch.utils.data.random_split(train_dataset, [train_size, test_size])