MNIST 手写数字识别

基于 PyTorch 的手写数字识别项目，包含完整的 CNN 训练流程和一个可交互的画板预测工具。

项目结构

ministtry/
├── ministtest1.ipynb    # 完整训练 notebook（环境检查→数据→模型→训练→测试→可视化）
├── usertest.py          # 画板手写预测 + 在线微调工具
├── mnist_weights.pth    # 训练好的模型权重（904KB）
├── MINIST/              # MNIST 原始数据集（idx.gz 格式）
└── README.md

环境要求

• Python 3.10
• PyTorch 2.14+（CUDA 12.6，GPU 可选）
• numpy / matplotlib / pillow

虚拟环境已配置在 .venv/，直接使用即可。

模型

两层卷积 CNN：

Conv2d(1→32, 3×3) → ReLU → MaxPool(2)
Conv2d(32→64, 3×3) → ReLU → MaxPool(2)
Dropout(0.25) → FC(1600→128) → ReLU → FC(128→10)

参数量约 43 万，Adam 优化器，lr=1e-3，batch_size=64。

训练结果

5 个 epoch，在 RTX 4060 Laptop 上每轮约 3 秒：

Epoch	Train Loss	Train Acc	Test Acc
1	0.1924	94.14%	98.45%
2	0.0604	98.08%	98.82%
3	0.0432	98.64%	98.94%
4	0.0346	98.93%	99.06%
5	0.0297	99.03%	99.26%

快速开始

1. 训练模型

用 JupyterLab 打开 ministtest1.ipynb，选择 .venv 的 kernel，从头运行即可。

2. 画板预测

.\.venv\Scripts\python.exe usertest.py

• 在画板上手写 0-9 的数字
• 点「预测」查看结果和 Top3 置信度
• 预测对了点「✓ 预测正确」微调
• 预测错了输入正确数字，点「✗ 纠正并微调」
• 微调后权重自动保存到 mnist_weights.pth

数据说明

MNIST 数据集位于 MINIST/ 目录，使用 gzip + numpy 直接解析 idx 文件，无需在线下载：

• train-images-idx3-ubyte.gz（60000×28×28）
• train-labels-idx1-ubyte.gz
• t10k-images-idx3-ubyte.gz（10000×28×28）
• t10k-labels-idx1-ubyte.gz