一、前言

作为从 0 开始学习 AI 的新手，手写数字识别 MNIST 可以说是深度学习的 Hello‑World。本文将使用 PyTorch 搭建一个多层感知机 MLP完成手写数字识别，不仅给出完整可运行代码，同时把前向传播、反向传播、梯度下降的训练流程讲清楚。

不同于只在数据集上测试，最后还实现了手机实拍手写图片推理，自己手写数字图片也可以识别出来。

二、项目原理和介绍

2.1 MLP多层感知机是什么

MLP（Multi-Layer Perceptron）全称多层感知机，也被大家称为全连接神经网络。它是深度学习最基础、最入门的网络模型。

简单一句话：MLP就是由「输入层、若干隐藏层、输出层」堆叠而成，所有神经元上下层全部互相连接的神经网络。

本节我单独拆开讲解四个核心概念：输入层、隐藏层、输出层、激活函数，最后结合本次手写数字识别项目完整串联。

2.1.1. 输入层（Input Layer）：网络的入口

输入层的作用非常简单：接收原始数据，不做任何运算，只负责传递信息。

在我们的 MNIST 手写数字项目中：

图片是 28×28 的灰度图，总像素点 = 28 × 28 = 784。

但 MLP 无法识别二维图片，只能识别一维数字，所以我们需要把图片展平。

展平后得到 784 个像素值，这 784 个数值就构成了输入层的784个神经元。

✅ 输入层特点：只传入数据、不参与学习、没有权重参数。

2.1.2. 隐藏层（Hidden Layer）：网络的核心学习区

输入层和输出层中间的所有层，统称为隐藏层。

之所以叫“隐藏”，是因为我们肉眼看不到它的输出，它只在网络内部做特征提取、数据变换、学习规律。

整个神经网络的学习能力，全部来自隐藏层，并且隐藏层的数量不仅限于一层。

在本次项目中，我搭建了两层隐藏层：

  • 第一层隐藏层：256个神经元

  • 第二层隐藏层：128个神经元

隐藏层的核心计算公式：

z = w \cdot x + b

  • x：上一层传来的数据

  • w（权重）：可学习参数，代表特征重要程度

  • b（偏置）：微调神经元输出

每一次训练、每一次反向传播，本质就是不断更新隐藏层的权重w和偏置b，让模型越来越准。

2.1.3. 输出层（Output Layer）：网络的答案出口

输出层是神经网络的最后一层，负责给出最终预测结果。

分类任务中：输出层神经元个数 = 分类类别数

本项目识别数字 0~9，共10个类别，所以输出层设置为10个神经元。

网络最后输出的10个分数（logits），分别代表当前图片是数字0、1、2...9的置信分数，分数最大的就是模型预测结果。

2.1.4. 激活函数（ReLU）：赋予网络智商

这是新手最容易忽略、但最重要的知识点。

如果只使用上面的 z=wx+b 计算，无论堆叠多少层网络，本质都是线性运算，只能画直线，无法识别手写数字这种复杂、不规则的图案。

没有激活函数，神经网络再深都没用。

激活函数的作用：引入非线性，让网络可以学习复杂特征。

本项目使用最经典的 ReLU 激活函数：

\mathrm{ReLU}(z) = \max(0,z)

通俗理解：负数直接归零、正数保留，过滤无效特征，强化有效特征。

我们在两层隐藏层后都添加了 ReLU，让网络拥有拟合手写数字特征的能力。

2.1.5. 结合本次项目：完整 MLP 网络结构串联

看完上面概念，我们把本次手写数字识别的 MLP 完整结构串起来：

输入层(784) → 全连接+ReLU → 隐藏层(256) → 全连接+ReLU → 隐藏层(128) → 全连接 → 输出层(10)

前向传播完整流程：

1. 28×28图片展平为784维向量，送入输入层；

2. 第一层全连接计算权重，输出256维特征，ReLU激活过滤特征；

3. 第二层全连接继续提炼特征，输出128维高级特征，再次激活；

4. 最后一层全连接映射为10个分类分数，得到预测结果。

2.1.6. MLP 为什么能训练、为什么能学习？

初始权重是随机值，模型一开始只会瞎猜。

通过「前向传播算预测 → 损失函数算误差 → 反向传播求梯度 → 梯度下降更新权重」不断迭代，隐藏层的权重参数被持续优化，模型逐渐学会区分不同手写数字的特征，最终实现高准确率识别。

2.1.7. MLP的缺陷

MLP 需要将图片强行展平为一维向量，彻底丢失了图片的二维空间信息（笔画相邻、形状结构）。

因此 MLP 对图像任务能力有限，后续我们将使用CNN卷积神经网络 保留空间特征，进一步提升识别精度。

2.2 MNIST数据集介绍

MNIST 数据集是深度学习入门最经典的公开数据集，被称为AI领域的“Hello World”，专门用于手写数字图像分类任务。数据集全部由人手书写的灰度数字图片构成，数据干净、场景简单、适配新手入门训练神经网络模型。

2.2.1 数据集基本构成

MNIST 数据集整体分为训练集和测试集两部分，数据完全独立，无交叉重叠，符合深度学习标准训练规范：

  • 训练集（Train Set）：包含60000张手写数字图片，用于模型迭代训练、学习数字特征、更新网络权重参数。

  • 测试集（Test Set）：包含10000张全新的手写数字图片，模型训练全程不会接触该部分数据，用于最终评估模型的泛化能力和识别准确率。

2.2.2 图像数据规格

数据集内所有图片规格统一，无尺寸差异，极大降低了模型训练的预处理难度：

  • 图像尺寸：统一 28×28 像素

  • 图像类型：单通道灰度图，无彩色信息

  • 像素范围：原始像素值 0~255，0代表纯黑、255代表纯白

  • 识别类别：包含 0~9 共10种手写数字类别，属于标准的十分类任务

在本项目中，我们通过 transforms.ToTensor() 对图像进行预处理，将原始0~255的像素值归一化到 0~1 区间，同时将图像数据转换为PyTorch适配的张量格式，适配MLP模型输入。

2.2.3 数据集特点与训练意义

1. 数据简单规整：图片尺寸统一、场景单一、无复杂背景，模型无需处理冗余噪声，新手可以专注理解神经网络的训练逻辑。

2. 数据量充足：6万训练样本足以支撑小型MLP模型收敛，能够充分拟合手写数字的轮廓、笔画特征。

3. 适配模型验证：可以快速验证模型结构、前向传播、反向传播、参数更新的整套训练闭环是否正常工作。

2.2.4 本项目数据集加载逻辑

项目中通过PyTorch内置的torchvision.datasets 直接加载MNIST数据集，无需手动下载、整理数据，核心逻辑如下：

1. 定义数据预处理规则，统一图像格式与像素范围；

2. 分别加载训练集与测试集，自动下载缺失数据；

3. 通过 DataLoader 批量打包数据、打乱训练集顺序，分批次送入MLP模型训练，提升训练效率与模型泛化性。

2.3 神经网络核心训练四步闭环

弄懂了MLP网络结构和MNIST数据集后，我们需要掌握神经网络真正的学习核心。无论是本文的MLP全连接网络，还是后续的CNN、Transformer，所有深度学习模型的训练，都遵循一套固定的闭环逻辑。

神经网络不会天生识别数字，它依靠迭代循环四步流程不断修正参数、降低误差，最终学会特征规律。完整训练闭环如下：

前向传播 → 计算损失 → 反向传播 → 权重更新

2.3.1 第一步：前向传播（得出预测结果）

将预处理好的MNIST手写数字图片张量输入MLP模型，数据从输入层、隐藏层逐层运算、激活，最终从输出层得到10个类别的预测分数。

这一步仅做数据正向计算，不会修改任何网络参数，目的是得到模型当前的预测值，对比真实标签。

2.3.2 第二步：计算损失（判断预测误差）

得到预测值后，通过损失函数对比「模型预测结果」和「图片真实标签」的差距，量化模型的识别误差。

本项目为十分类任务，使用交叉熵损失函数（CrossEntropyLoss）。损失值越大，代表预测偏差越离谱；损失值越小，代表模型预测越精准。

损失函数的核心作用：给模型的错误打分，为后续优化提供依据。

2.3.3 第三步：反向传播（计算梯度、定位误差来源）

有了损失误差后，模型需要知道：每一个权重、偏置参数应该如何调整，才能减小误差。

这一步通过链式法则反向求导，从最终损失逐层向前回溯，计算出损失对每一个参数的梯度，精准定位每一层参数对误差的影响大小。

通俗理解：前向传播是“做题”，反向传播是“批改错题、找出出错步骤”。这一步只计算梯度，不更新参数。

2.3.4 第四步：权重更新（梯度下降优化）

依托反向传播算出的梯度，结合学习率，通过梯度下降算法更新网络所有的权重和偏置参数：

w_{new} = w_{old} - \eta \cdot \frac{\partial L}{\partial w}

通过微调参数，让下一轮的预测损失更小、准确率更高。本项目使用Adam优化器自动完成参数更新，高效迭代优化模型。

2.3.5 闭环迭代逻辑

以上四步执行完成，即为一轮单次训练。我们通过设置多轮epoch，不断重复「前向传播-损失计算-反向传播-权重更新」闭环。

随着迭代次数增加，模型损失持续下降，逐步学习到手写数字的笔画、轮廓特征，最终具备精准识别手写数字的能力。

核心总结：只有四步闭环完整执行，模型才具备“学习能力”；仅做前向传播只能推理预测，无法优化模型、提升精度。

三. 环境准备

本项目基于 PyTorch 实现 MLP 手写数字识别，代码简洁、轻量、对新手友好。为保证代码可以直接运行，我列出本次项目所需的全部依赖库与环境版本要求。

3.1 开发环境

  • 编程语言：Python 3.8 及以上

  • 深度学习框架：PyTorch（GPU/CPU版本均可）

  • 开发工具：PyCharm / VSCode / Jupyter Notebook 均可

3.2 所需依赖库

本项目用到深度学习、数据处理、图像操作相关库，完整依赖如下：

  • torch：核心深度学习框架，用于搭建网络、训练、反向传播、参数更新

  • torchvision：配套视觉库，用于加载MNIST数据集、图像预处理

  • numpy：数值计算库，用于数组与矩阵运算

  • opencv-python：用于后期实拍图片预处理、二值化、轮廓检测

  • Pillow：图片读取与格式转换

3.3 一键安装命令

可直接在终端执行以下命令，批量安装所有依赖：

pip install torch torchvision numpy opencv-python pillow

注：上述安装命令是在服务器上实现，如果使用本地电脑请参考其他博客配置环境

3.4 环境说明

1. 本代码支持 CPU、GPU 双模式，程序会自动检测设备，无需手动修改代码；

2. MNIST 数据集可通过代码自动下载，无需手动解压、配置路径；

3. 所有代码均为标准 PyTorch 原生写法，无冷门依赖，兼容性极强，适合新手复现学习。

四. 完整训练代码 + 逐段详解

本章将完整贴出基于PyTorch的MLP手写数字识别训练代码，同时逐模块拆解每一段代码的作用、底层逻辑，结合前文讲解的MLP原理、训练四步闭环，做到原理与代码一一对应，新手可以轻松看懂、直接复现。

4.1 导入库与设备配置

完整代码
import os
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader
from torchvision import datasets, transforms

# 自动匹配GPU/CPU设备
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"当前训练设备：{device}")
逐段讲解

1. 核心库导入：导入PyTorch核心模块，nn用于搭建神经网络层，optim用于配置优化器，DataLoader用于批量加载数据，datasets、transforms用于数据集加载与图像预处理。

2. 设备自适应配置：自动检测电脑是否支持CUDA GPU加速，有GPU则使用GPU训练，大幅提升训练速度；无GPU则自动切换CPU，代码无需手动修改，兼容性极强。

4.2 数据集加载与预处理

完整代码
# 图像预处理：归一化张量
transform = transforms.Compose([
    transforms.ToTensor()
])

# 加载MNIST训练集、测试集
train_dataset = datasets.MNIST(root="./data", train=True, download=True, transform=transform)
test_dataset  = datasets.MNIST(root="./data", train=False, download=True, transform=transform)

# 批量数据加载器
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader  = DataLoader(test_dataset,  batch_size=64, shuffle=False)
逐段讲解

1. 数据预处理规则：transforms.ToTensor()完成两个核心操作，一是将PIL图像/数组转为PyTorch专属张量格式，二是将0~255的像素值归一化到0~1区间，适配模型输入计算。

2. 数据集加载：分别加载MNIST训练集和测试集，root指定数据存储路径，download=True自动检测并下载缺失数据集，全程无需手动操作。

3. DataLoader数据加载器：将海量数据分批次打包，batch_size=64代表每次送入模型64张图片，避免一次性加载全部数据导致显存溢出；训练集设置shuffle=True打乱数据顺序，防止模型记忆数据顺序，提升泛化能力；测试集无需打乱，保证评估结果稳定。

4.3 MLP网络模型定义

完整代码
# 自定义MLP多层感知机模型
class MNIST_MLP(nn.Module):
    def __init__(self):
        super().__init__()
        # 定义三层全连接层
        self.fc1 = nn.Linear(28*28, 256)
        self.fc2 = nn.Linear(256, 128)
        self.fc3 = nn.Linear(128, 10)
        # 定义ReLU激活函数
        self.relu = nn.ReLU()

    # 前向传播逻辑
    def forward(self, x):
        # 展平二维图片为一维向量
        x = x.view(x.size(0), -1)
        # 逐层前向计算 + 激活
        x = self.relu(self.fc1(x))
        x = self.relu(self.fc2(x))
        out = self.fc3(x)
        return out

# 初始化模型并迁移至对应设备
model = MNIST_MLP().to(device)
逐段讲解

1. 模型继承：所有PyTorch神经网络模型必须继承nn.Module，这是模型的标准写法，支持参数管理、训练、保存、加载等全套功能。

2. 网络层定义：严格对应前文讲解的MLP结构，三层全连接层搭建「输入层-隐藏层-输出层」结构，搭配ReLU激活函数引入非线性能力。

3. 前向传播函数：forward是模型核心，定义数据的流转逻辑。首先将28×28的二维图片展平为784维一维向量，再逐层完成全连接计算、激活，最终输出10维分类分数。

4. 模型初始化：创建模型实例，并将模型参数迁移至GPU/CPU设备，与数据设备保持一致。

4.4 损失函数、优化器配置

完整代码
# 定义多分类损失函数
criterion = nn.CrossEntropyLoss()
# 定义Adam优化器，学习率0.001
optimizer = optim.Adam(model.parameters(), lr=1e-3)

1. 交叉熵损失函数：适配本项目的十分类任务，自动整合Softmax归一化和损失计算，无需手动添加激活，是图像分类任务的首选损失函数，用于量化模型预测误差。

2. Adam优化器：相比于传统SGD，Adam收敛速度更快、训练更稳定，通过传入model.parameters()获取模型所有可学习的权重、偏置参数，设置学习率lr=0.001，控制参数更新步长。

4.5 训练循环详解（核心四步闭环）

完整代码
# 训练轮数
epochs = 15
for epoch in range(epochs):
    # 开启训练模式
    model.train()
    total_loss = 0
    # 遍历每一批次数据
    for imgs, labels in train_loader:
        # 数据迁移至对应设备
        imgs, labels = imgs.to(device), labels.to(device)
        
        # 1. 梯度清零（关键步骤）
        optimizer.zero_grad()
        # 2. 前向传播，获取预测结果
        logits = model(imgs)
        # 3. 计算损失
        loss = criterion(logits, labels)
        # 4. 反向传播，计算梯度
        loss.backward()
        # 5. 梯度下降，更新权重
        optimizer.step()
        
        # 累加批次损失
        total_loss += loss.item()
    
    # 打印每一轮平均损失
    print(f"Epoch {epoch+1}/{epochs}, Train Loss: {total_loss/len(train_loader):.4f}")

# 训练完成保存模型权重
torch.save(model.state_dict(), "mnist_mlp.pth")
print("模型权重已保存为：mnist_mlp.pth")
逐段讲解

1. 训练轮数设置：设置15轮完整训练，每一轮都会遍历全部60000张训练集图片，让模型充分学习数据特征。

2. 训练模式开启：model.train()开启模型训练状态，启用梯度计算、参数更新功能。

3. 训练四步闭环落地：

- 梯度清零：PyTorch梯度默认累加，每批次训练前必须清零，避免梯度混杂；

- 前向传播：数据输入模型，得到预测分数；

- 计算损失：对比预测值与真实标签，量化误差；

- 反向传播：自动链式求导，计算所有参数梯度；

- 权重更新：优化器根据梯度微调参数，降低损失。

4. 损失统计与打印：累加每批次损失，计算每一轮的平均损失，直观观察模型收敛趋势。

5. 模型权重保存：训练完成后保存模型所有可学习参数，生成mnist_mlp.pth权重文件，后续可直接加载推理，无需重复训练。

4.6 模型测试评估、保存权重

完整代码
# 模型测试评估
model.eval()
correct = 0
total = 0

# 关闭梯度计算，节省显存、提升速度
with torch.no_grad():
    for imgs, labels in test_loader:
        imgs, labels = imgs.to(device), labels.to(device)
        logits = model(imgs)
        # 取概率最大的类别作为预测结果
        preds = torch.argmax(logits, dim=1)
        # 统计总样本数、正确预测样本数
        total += labels.size(0)
        correct += (preds == labels).sum().item()

# 计算测试集准确率
acc = 100.0 * correct / total
print(f"Test Accuracy: {acc:.2f}%")
逐段讲解

1. 评估模式开启：model.eval()关闭模型训练专属功能，固定参数，保证评估结果准确。

2. 关闭梯度计算：torch.no_grad()上下文管理器，测试阶段无需计算梯度，可大幅节省显存、加快推理速度。

3. 预测与统计：通过torch.argmax筛选最优预测类别，遍历所有测试集数据，统计预测正确的样本数量。

4. 准确率计算：最终输出模型在10000张全新测试集图片上的识别准确率，衡量模型泛化能力。

五. 训练结果展示与分析

5.1 训练日志输出示例

完整训练15轮后，控制台输出结果如下（标准收敛效果）：

当前训练设备：cuda
Epoch 1/15, Train Loss: 0.2876
Epoch 2/15, Train Loss: 0.1103
Epoch 3/15, Train Loss: 0.0742
Epoch 4/15, Train Loss: 0.0551
Epoch 5/15, Train Loss: 0.0404
Epoch 6/15, Train Loss: 0.0308
Epoch 7/15, Train Loss: 0.0244
Epoch 8/15, Train Loss: 0.0223
Epoch 9/15, Train Loss: 0.0173
Epoch 10/15, Train Loss: 0.0138
Epoch 11/15, Train Loss: 0.0130
Epoch 12/15, Train Loss: 0.0124
Epoch 13/15, Train Loss: 0.0115
Epoch 14/15, Train Loss: 0.0100
Epoch 15/15, Train Loss: 0.0103
模型权重已保存为：mnist_mlp.pth
Test Accuracy: 98.06%

5.2 结果分析

1. 损失收敛正常：训练损失从初始0.28+持续下降至0.01左右，模型不断拟合手写数字特征，训练效果正常。

2. 准确率达标：标准MLP模型在MNIST数据集上准确率稳定在98%左右，对于基础全连接网络，该精度属于优秀水平。

3. 存在局限性：虽然数据集测试精度较高，但由于MLP丢失图像空间信息，对实拍、模糊、变形的手写数字识别效果较差，后续CNN模型可精准解决该问题。

六. 外部实拍图片推理实战

前文训练、测试均基于官方标准数据集图片，为验证模型的实际落地能力，本节使用手机实拍手写数字图片进行推理测试，搭配OpenCV完成图像预处理，适配真实场景图片。

预测数字：8
预测置信度：99.99%
Top3 预测结果：
  数字8：99.99%
  数字2：0.00%
  数字3：0.00%

6.1 实拍图片踩坑问题总结

在真实图片推理过程中，我遇到了多个数据集测试不会出现的问题，逐一解决并总结如下：

问题1：实拍图片存在光照、阴影干扰

数据集图片无阴影、光线均匀，而手机实拍图片容易出现明暗不均，直接识别会完全出错。

解决方案：使用adaptiveThreshold自适应二值化，局部阈值处理，彻底消除光照阴影干扰。

问题2：实拍图片白底黑字，与训练集风格相反

MNIST数据集为黑底白字，实拍手写图大多为白底黑字，模型无法适配。

解决方案：使用THRESH_BINARY_INV反向二值化，自动反转像素颜色，统一为训练集风格。

问题3：数字大小、位置不规范

数据集数字居中、大小统一，实拍数字位置偏移、大小不一，识别准确率极低。

解决方案：轮廓检测提取数字主体，等比例缩放、居中放置到28×28标准画布，统一输入规格。

问题4：笔画过细、噪点干扰

手写笔画过细、背景有杂点，模型无法识别有效特征。

解决方案：形态学膨胀加粗笔画，过滤无效噪点，贴合数据集笔画特征。

七. 项目整体踩坑与问题解决汇总

本次从零搭建MLP手写数字识别项目，汇总新手高频报错、踩坑问题，帮助大家避坑：

坑点1：MNIST数据集下载超时/失败

解决：配置本地代理，或手动下载数据集放入对应路径，避免网络问题导致下载失败。

坑点2：权重加载报错

解决：推理代码的模型结构必须与训练代码完全一致，同时添加map_location=device，支持GPU训练、CPU加载，跨设备兼容。

坑点3：推理准确率极低、随机预测

解决：推理时忘记添加model.eval()和torch.no_grad()，导致模型参数不稳定、梯度异常，必须严格添加。

坑点4：实拍图片识别效果远差于数据集

解决：并非模型问题，而是预处理不规范，严格按照二值化、去噪、居中、归一化流程处理图片，统一输入标准。

坑点5：训练梯度累加、损失异常波动

解决：每批次训练前必须执行optimizer.zero_grad()梯度清零，否则梯度累加，模型无法正常收敛。

八. 项目总结与后续学习规划

8.1 项目总结

本次项目作为【从0学AI】系列的第一篇实战教程，我从零搭建了MLP多层感知机，完整实现MNIST手写数字识别，熟练掌握了深度学习最核心的基础知识：

1. 吃透MLP网络核心结构：输入层、隐藏层、输出层、激活函数的底层作用与搭配逻辑；

2. 掌握神经网络万能训练四步闭环：前向传播→损失计算→反向传播→权重更新；

3. 熟练使用PyTorch完成数据集加载、模型搭建、训练、评估、权重保存与加载；

4. 实现真实场景图片预处理与推理，打通模型训练到落地的简易流程。

同时也明确了MLP模型的核心缺陷：必须展平二维图像，丢失像素空间位置信息，无法充分利用图像特征，对真实场景手写数字的泛化能力有限。

8.2 后续学习规划

为解决MLP模型的短板，下一篇博客将带来CNN卷积神经网络实战教程：

1. 详解卷积、池化、Padding等CNN核心原理；

2. 从零搭建CNN模型实现手写数字识别；

3. 全方位对比MLP与CNN的识别精度、真实场景适配能力；

4. 带你理解为什么CNN是图像任务的首选模型。

持续更新【从0学AI】零基础深度学习实战系列，循序渐进吃透AI核心技术，从入门到进阶！

# 人工智能 # pytorch # python
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

cover

AI 编程不得不知道的二三事

avatar 2048 AI社区
cover

OpenClaw 边缘部署实战：IoT 场景下的轻量级 Agent 集群与离线自治

avatar 2048 AI社区
cover

2026年DDoS攻击趋势报告解读：65%的DDoS攻击伴随勒索，应急预案如何设置

avatar 2048 AI社区