在训练部分，我们在MNIST数据集上训练了我们的CNN模型（无限数据集），并且似乎达到了合理的损失和准确性。如果模型能够将其所学到的内容推广到新数据，那么这将是其性能的真正证明。这将与我们在先前主题中所做的方式相同。

- 阅读剩余部分 -

在上一个主题中，我们实现了我们的CNN模型。现在，我们的下一个任务是对其进行训练。为了训练我们的CNN模型，我们将使用CUDA张量类型，它将执行与CPU张量相同的功能，但用于计算。

- 阅读剩余部分 -

我们使用了一个深度神经网络对无尽的数据集进行分类，发现它并不能最好地分类我们的数据。当我们使用深度神经网络时，模型的准确性不足，并且模型有待改进。卷积神经网络将帮助实现这一改进。让我们开始实现我们的卷积神经网络用于图像识别。

- 阅读剩余部分 -

卷积神经网络（Convolutional Neural Network，CNN） 是神经网络中进行图像分类和图像识别的主要类别之一。卷积神经网络在场景标注、物体检测和人脸识别等领域广泛应用。CNN以图像作为输入，该图像根据狗、猫、狮子、老虎等特定类别进行分类和处理。计算机将图像视为像素数组，取决于图像的分辨率。根据图像分辨率，它将被视为h * w * d，其中h=高度，w=宽度，d=维度。例如，RGB图像是6 * 6 * 3矩阵数组，灰度图像是4 * 4 * 1矩阵数组。

- 阅读剩余部分 -

在上一部分，我们实现了一个神经网络，或者说创建了一个能够对手写数字进行分类的模型。现在，我们通过从网络上获取一张图片来测试我们的模型。我们使用了以下图片：

- 阅读剩余部分 -

在训练部分，我们使用MNIST数据集（无穷数据集）对模型进行了训练，并且似乎达到了合理的损失和准确性。如果模型能够将其学到的知识应用于新数据并进行泛化，那么这将是其性能的真正体现。以下是验证模型的步骤：

- 阅读剩余部分 -

我们的下一个任务是使用先前标记的图像来训练神经网络，以对新的测试图像进行分类。因此，我们将使用nn模块来构建我们的神经网络。

- 阅读剩余部分 -

在PyTorch中进行图像识别，加载和转换是两个基本的概念，是识别过程的起始步骤。

- 阅读剩余部分 -

在这个主题中，我们将讨论一种新型的数据集，我们将在图像识别中使用。这个数据集被称为MNIST数据集。MNIST数据集可以在线找到，它基本上只是各种手写数字的数据库。MNIST数据集具有大量数据，通常用于展示深度神经网络的真正威力。

- 阅读剩余部分 -

图像识别 是从给定的图像中提取有意义信息（如图像内容）的过程。在图像识别中，要对给定图像中的主要内容进行分类是至关重要的，因此它不涉及确定识别内容的位置和姿态。

- 阅读剩余部分 -