MNIST手写数字识别

1.先引入经典的 LeNet - 5 模型，该模型包含卷积层、池化层和全连接层，能够有效提取手写数字图像的特征。
2.利用torchvision库加载 MNIST 手写数字数据集，并通过transforms对数据进行预处理，包括转换为张量以及标准化操作，使数据更适合模型训练。
3.使用 SGD 优化器和交叉熵损失函数对 LeNet - 5 模型进行20轮训练。
4.开发了DigitDrawApp类，构建了手写数字识别的交互界面。

训练20轮后的准确率如下（84.99%），

此时的准确率并不高，识别的效果也并不理想。增加训练轮数到50轮时，准确率显著提高（92.86%），

准确率虽然提高了但是窗口内的数字识别效果仍然不佳，继续修改，将学习率lr更改为0.01，轮数仍为20轮，效果如下

学习率和轮数不变，为了减小震荡带来的影响同时加快收敛，添加动量，效果如下

此时的正确率大大提高，窗口内的识别效果显著，