PyTorch C++ 前端(LibTorch)MNIST 手写数字识别:从 CMake 构建到训练源码全解析
示例工程人工智能深度学习【免费下载链接】examplesA set of examples around pytorch in Vision, Text, Reinforcement Learning, etc.项目地址https://gitcode.com/gh_mirrors/ex/examples点击查看免费下载本示例仓库 cpp/mnist演示如何使用 PyTorch C 前端LibTorch训练一个卷积神经网络对 MNIST 数据集中的手写数字图片进行分类。整份训练代码集中在单个文件 mnist.cpp 中涵盖数据集加载与预处理、模型定义、训练循环、测试评估以及 CUDA/CPU 自动设备选择是一份结构完整、可直接编译运行的 C 深度学习入门范例。读完本文你将掌握 LibTorch 示例的标准构建流程、MNIST 数据管线的写法以及torch::nn模块化建模与训练/评估循环的完整实现细节。示例概览用 C 前端复刻经典 MNIST 流程MNIST 手写数字识别是 PyTorch 社区最经典的入门任务之一。本仓库同时提供了 Python 版本 与 C 版本其中 C 版本位于 cpp/mnist包含以下文件mnist.cpp全部训练逻辑包括网络定义、数据加载、训练与测试循环CMakeLists.txt构建脚本负责定位 LibTorch、编译目标并默认自动下载 MNIST 数据集README.md官方构建与运行说明即本文的主体依据。整个 C 前端系列示例统一维护在仓库的 cpp 目录下还包括 autograd、dcgan、transfer-learning 等并通过仓库根目录的 run_cpp_examples.sh 脚本提供一键式集成验证。环境准备获取并解压 LibTorch要在 C 中调用 PyTorch需要先获得预编译的 LibTorch 发行包。官方文档要求将下载的发行包解压后把解压目录路径通过CMAKE_PREFIX_PATH传给 CMake。这里的/path/to/libtorch即指解压后的 LibTorch 目录例如~/libtorch。仓库根目录的 run_cpp_examples.sh 中封装了自动获取 LibTorch 的逻辑见get_libtorch函数它会检查主目录下是否已存在libtorch目录若不存在则通过wget下载 PyTorch 官方 nightly 渠道的 CPU 版共享库压缩包cxx11 ABI、带依赖并解压随后将路径记录在LIBTORCH_PATH变量中供后续所有示例的 CMake 配置使用if [ ! -d libtorch ]; then wget https://download.pytorch.org/libtorch/nightly/cpu/libtorch-cxx11-abi-shared-with-deps-latest.zip unzip libtorch-cxx11-abi-shared-with-deps-latest.zip fi需要注意的是官方 README 中提及的 LibTorch 下载渠道是 PyTorch 官方本地安装页面无论从哪个渠道获取只要保证是解压后的发行目录且其中的include/torch/csrc/api/include与lib等结构完整即可用于下面的构建流程。编译构建CMake LibTorch 的标准流程原文档给出了完整的构建命令这是所有 LibTorch 项目通用的三步式流程必须完整保留$ cd mnist $ mkdir build $ cd build $ cmake -DCMAKE_PREFIX_PATH/path/to/libtorch .. $ make其中/path/to/libtorch需要替换为实际解压出的 LibTorch 发行包路径。成功后在build目录下会生成可执行文件mnist。配合 CMakeLists.txt 可以看清这个构建过程背后的关键细节cmake_minimum_required(VERSION 3.5)与set(CMAKE_CXX_STANDARD 17)要求 CMake 3.5 以上、C17 标准这是使用 LibTorch C API 的基本前提find_package(Torch REQUIRED)借助CMAKE_PREFIX_PATH定位 LibTorch并导入Torch目标target_link_libraries(mnist ${TORCH_LIBRARIES})链接 Torch 库并自动带上 Torch 的头文件与编译选项target_compile_features(mnist PUBLIC cxx_range_for)显式声明启用基于范围的for循环特性这与训练循环中for (auto batch : data_loader)的写法对应option(DOWNLOAD_MNIST Download the MNIST dataset from the internet ON)默认开启数据自动下载详见下文针对 MSVCWindows环境构建后还会自动将 LibTorch 的 DLL 复制到可执行文件同目录避免运行时找不到动态库。数据集CMake 自动下载与手动脚本双通道MNIST 数据的获取在 CMakeLists.txt 中已经集成当DOWNLOAD_MNIST选项为ON默认值时配置阶段会调用 Python 脚本 cpp/tools/download_mnist.py 将数据下载到构建目录下的data子目录option(DOWNLOAD_MNIST Download the MNIST dataset from the internet ON) if (DOWNLOAD_MNIST) message(STATUS Downloading MNIST dataset) execute_process( COMMAND python ${CMAKE_CURRENT_LIST_DIR}/../tools/download_mnist.py -d ${CMAKE_BINARY_DIR}/data ERROR_VARIABLE DOWNLOAD_ERROR) ... endif()若下载失败CMake 会以FATAL_ERROR中止配置便于用户尽早发现问题。你也可以手动执行该脚本独立下载数据。脚本支持两个命令行参数参数说明默认值-d, --destination数据存放目录不存在时会自动创建.当前目录-q, --quiet静默模式不打印下载进度关闭脚本会依次下载并解压 4 个文件均为 gzip 压缩的 IDX 格式train-images-idx3-ubyte.gz训练图片60000 张train-labels-idx1-ubyte.gz训练标签t10k-images-idx3-ubyte.gz测试图片10000 张t10k-labels-idx1-ubyte.gz测试标签同时内置了幂等逻辑目标文件已存在时直接跳过并提示避免重复下载。在 mnist.cpp 中数据根目录被定义为const char* kDataRoot ./data;即默认期望在可执行文件运行目录下存在data目录——这正是 CMake 构建时把数据下载到build/data的原因。源码深度解析mnist.cpp 完整实现了从数据到模型再到训练的全部逻辑可以拆解为四个层次阅读。1. 全局训练超参数文件开头集中定义了所有可调超参数mnist.cpp常量值含义kDataRoot./dataMNIST 数据集根目录kTrainBatchSize64训练批大小kTestBatchSize1000测试批大小kNumberOfEpochs10训练轮数kLogInterval10每训练多少个 batch 打印一次损失把超参数集中为具名常量、通过int64_t类型声明是 LibTorch 示例中一致采用的风格便于阅读和调整。2. 网络结构 Net模型定义在struct Net : torch::nn::Module中mnist.cpp是一个典型的卷积神经网络结构与经典 LeNet 风格分类器一脉相承这一点可由代码结构推断Net() : conv1(torch::nn::Conv2dOptions(1, 10, /*kernel_size*/5)), conv2(torch::nn::Conv2dOptions(10, 20, /*kernel_size*/5)), fc1(320, 50), fc2(50, 10) { register_module(conv1, conv1); register_module(conv2, conv2); register_module(conv2_drop, conv2_drop); register_module(fc1, fc1); register_module(fc2, fc2); }各层职责如下conv1Conv2d(1, 10, kernel_size5)将单通道灰度图映射到 10 个通道conv2Conv2d(10, 20, kernel_size5)进一步提取 20 个通道的高层特征conv2_dropDropout2d在第二个卷积层输出上做空间维度 dropoutfc1、fc2全连接层320 → 50 → 10最终输出对应 10 个数字类别。值得注意的 C 前端编程要点模块成员必须在构造函数初始化列表中构造并通过register_module注册即register_module(conv1, conv1)这样才能被model.parameters()收集从而参与优化器更新torch::nn::Conv2d等成员是持有指针语义的ModuleHolder调用时需要显式-forward(x)如conv1-forward(x)这与 Python 中直接conv1(x)的写法不同。forward函数给出了完整的前向计算链mnist.cpptorch::Tensor forward(torch::Tensor x) { x torch::relu(torch::max_pool2d(conv1-forward(x), 2)); x torch::relu( torch::max_pool2d(conv2_drop-forward(conv2-forward(x)), 2)); x x.view({-1, 320}); x torch::relu(fc1-forward(x)); x torch::dropout(x, /*p*/0.5, /*training*/is_training()); x fc2-forward(x); return torch::log_softmax(x, /*dim*/1); }关键点卷积后紧跟relu激活与max_pool2d(..., 2)下采样2×2池化两次后特征图尺寸由28×28依次降为14×14、7×7因此第二个卷积输出展平后为20 × 7 × 7 320维与fc1(320, 50)匹配全连接层之间的 dropout 概率为 0.5并通过is_training()传入training标志——model.train()时启用、model.eval()时自动关闭这是torch::nn模块的标准状态管理方式输出层使用torch::log_softmax(x, dim1)与训练时的nll_loss配套使用Softmax 与对数损失在数值上更稳定。3. 训练循环 train()train是一个模板函数mnist.cpp模板参数为DataLoader类型从而兼容训练与测试两种加载器。每个 batch 的处理流程与 Python 版完全对应model.train(); for (auto batch : data_loader) { auto data batch.data.to(device), targets batch.target.to(device); optimizer.zero_grad(); auto output model.forward(data); auto loss torch::nll_loss(output, targets); AT_ASSERT(!std::isnan(loss.template itemfloat())); loss.backward(); optimizer.step(); ... }每次迭代先把data和targets显式.to(device)迁移到当前设备optimizer.zero_grad()→model.forward()→torch::nll_loss()→loss.backward()→optimizer.step()构成标准的前向-反向-更新闭环AT_ASSERT(!std::isnan(loss.template itemfloat()))是对损失值的 NaN 断言一旦出现数值异常立即中断属于示例中自带的防御性检查每kLogInterval个 batch 用std::printf输出进度\r使日志在同一行刷新格式为Train Epoch: %ld [%5ld/%5ld] Loss: %.4f其中batch_idx * batch.data.size(0)是已处理的样本数。4. 测试评估循环 test()test函数mnist.cpp在推理模式下评估模型torch::NoGradGuard no_grad; model.eval(); double test_loss 0; int32_t correct 0; for (const auto batch : data_loader) { ... test_loss torch::nll_loss( output, targets, /*weight*/{}, torch::Reduction::Sum) .template itemfloat(); auto pred output.argmax(1); correct pred.eq(targets).sum().template itemint64_t(); } test_loss / dataset_size;torch::NoGradGuard no_grad;与model.eval();分别关闭梯度记录与启用评估模式从而关闭 dropout损失按torch::Reduction::Sum逐 batch 累加最后除以样本总数得到平均损失精度统计通过output.argmax(1)取概率最大的类别再与targets逐元素比较pred.eq(targets).sum()累加正确数最终以Test set: Average loss: %.4f | Accuracy: %.3f格式输出。5. main() 入口设备选择与数据管线main函数mnist.cpp串联起整条流水线设备选择先torch::manual_seed(1)固定随机种子保证可复现再通过torch::cuda::is_available()判断可用设备打印CUDA available! Training on GPU.或Training on CPU.构造torch::Device并将模型.to(device)。也就是说同一份代码无需修改即可在 CPU 与 GPU 上运行这是示例刻意设计的便利点。数据管线使用torch::data模块组合数据集与变换auto train_dataset torch::data::datasets::MNIST(kDataRoot) .map(torch::data::transforms::Normalize(0.1307, 0.3081)) .map(torch::data::transforms::Stack()); auto train_loader torch::data::make_data_loadertorch::data::samplers::SequentialSampler( std::move(train_dataset), kTrainBatchSize);torch::data::datasets::MNIST从kDataRoot读取数据测试集通过MNIST::Mode::kTest指定Normalize(0.1307, 0.3081)使用 MNIST 数据集的全局均值与标准差做标准化这两个数值与 Python 版示例一致Stack()将样本堆叠成 batch训练加载器显式指定SequentialSampler顺序采样测试加载器使用默认采样器dataset.size().value()用于取得样本总数供损失归一化与进度显示使用。优化器使用带动量的 SGDtorch::optim::SGD optimizer( model.parameters(), torch::optim::SGDOptions(0.01).momentum(0.5));学习率 0.01、动量 0.5与经典配置保持一致。训练主循环按kNumberOfEpochs10 轮迭代每轮先train后test即每个 epoch 结束立即在测试集上评估一次形成文档示例输出中“Train Epoch … Test set …”交替出现的结果。运行与预期输出构建完成后直接运行可执行文件即可开始训练$ ./mnist Train Epoch: 1 [59584/60000] Loss: 0.4232 Test set: Average loss: 0.1989 | Accuracy: 0.940 Train Epoch: 2 [59584/60000] Loss: 0.1926 Test set: Average loss: 0.1338 | Accuracy: 0.959 Train Epoch: 3 [59584/60000] Loss: 0.1390 Test set: Average loss: 0.0997 | Accuracy: 0.969 Train Epoch: 4 [59584/60000] Loss: 0.1239 Test set: Average loss: 0.0875 | Accuracy: 0.972 ...从输出可以看出训练进度中的样本数59584 64 × 931与kTrainBatchSize 64、每个 epoch 约 938 个 batch60000/64的设定吻合测试集精度从第 1 个 epoch 的 0.940 稳步提升第 4 个 epoch 已达 0.972训练将持续 10 个 epoch。以上为官方 README 记录的参考运行结果实际数值会因随机种子、LibTorch 版本与设备差异而略有浮动。一键集成验证run_cpp_examples.sh仓库根目录的 run_cpp_examples.sh 把“下载 LibTorch、构建、运行”封装为一体化流程。针对本示例脚本中的mnist()函数依次执行进入示例目录、创建build、cmake -DCMAKE_PREFIX_PATH$LIBTORCH_PATH ..、make与./mnist并检查每一步的退出状态失败即报错退出。你可以只针对本示例运行./run_cpp_examples.sh mnist或先执行./run_cpp_examples.sh get_libtorch,run_all,clean走通全部 C 示例clean会清理构建产物与下载的 LibTorch。该脚本的定位是集成测试而非正式训练因此足够快速验证整套 C 工具链是否可用。小结通过 cpp/mnist 这个示例你可以完整掌握 LibTorch C 前端的核心编程范式用 CMake CMAKE_PREFIX_PATH对接 LibTorch并通过 CMakeLists.txt 自动完成 MNIST 数据下载用torch::nn::Module子类 register_module组织卷积网络用torch::data组合数据集、标准化与采样器实现train/test双循环正确处理model.train()/eval()、NoGradGuard与设备迁移最终在 CPU/GPU 上复现接近 Python 版的 MNIST 精度。这段代码同时是阅读仓库内其他 C 示例如 custom-dataset 的自定义数据集、transfer-learning 的迁移学习的良好起点。赞分享示例工程人工智能深度学习【免费下载链接】examplesA set of examples around pytorch in Vision, Text, Reinforcement Learning, etc.项目地址https://gitcode.com/gh_mirrors/ex/examples点击查看免费下载相关推荐使用GGML实现MNIST手写数字识别从训练到推理全流程解析使用GGML实现MNIST手写数字识别从训练到推理全流程解析 项目概述 GGML是一个专注于机器学习模型推理的轻量级库特别适合在资源受限的环境中运行。本文将人工智能机器学习深度学习算子库本地部署模型量化10个必知的Botania魔法花朵提升你的Minecraft生存效率10个必知的Botania魔法花朵提升你的Minecraft生存效率 Botania是一款以自然与植物魔法为主题的Minecraft科技模组通过种植各种魔法Caffe 实战在 MNIST 上训练 LeNet 手写数字识别模型从数据准备到训练部署全流程Caffe 实战在 MNIST 上训练 LeNet 手写数字识别模型从数据准备到训练部署全流程 本文以 Caffe 官方 MNIST 示例为线索完整讲解深度学习计算机视觉上一篇Deoptigate完全指南揭秘V8引擎函数去优化的终极工具下一篇终极指南如何用LanceDB构建元宇宙空间向量检索系统创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

相关新闻

氢能在综合能源系统中的建模与优化实践

氢能在综合能源系统中的建模与优化实践

1. 氢能在综合能源系统中的角色定位去年参与某工业园区微电网项目时,我第一次真切感受到氢能作为能源载体的独特价值。当光伏发电量在午间达到峰值时,电解水制氢设备自动启动,将多余电能转化为氢能储存;到了晚间负荷高峰时段&…

2026/11/1 0:06:12 阅读更多 →
CatmiSteam:Steam游戏资产本地化治理系统解析

CatmiSteam:Steam游戏资产本地化治理系统解析

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/11/21 8:46:59 阅读更多 →
RapidOCR C 文字识别快速上手:15分钟让Windows应用跑起来

RapidOCR C 文字识别快速上手:15分钟让Windows应用跑起来

RapidOCR C# 文字识别快速上手:15分钟让Windows应用跑起来 【免费下载链接】RapidOCR 📄 Awesome OCR multiple programing languages toolkits based on ONNX Runtime, OpenVINO, MNN, PaddlePaddle, TensorRT and PyTorch. 项目地址: https://gitcod…

2026/11/21 11:40:38 阅读更多 →

最新新闻

Electron桌面应用开发实战:从环境搭建到打包发布全流程

Electron桌面应用开发实战:从环境搭建到打包发布全流程

做前端这些年,我大部分时间都在跟浏览器标签页打交道,直到第一次把桌面应用跑起来,才发现原来自己一直被限制在地址栏和刷新按钮围起来的框框里。Electron这个词,最开始是在某段时间频繁出现在同事的讨论里,一个用HTML…

2026/11/20 23:27:28 阅读更多 →
滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

简介:亚太天能T109滑盖智能锁产品说明书是一份PDF格式的官方技术文档,主要面向智能锁安装人员、终端用户及售后维护者,帮助快速掌握产品安装、配置与常见故障处理。全包仅1个PDF文件,大小4.37MB,内容结构清晰&#xff…

2026/11/20 23:27:28 阅读更多 →
PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

上个月我在调试一台高速AGV的驱动系统,整车要求空载跑到8m/s,电机转速已经拉到额定点,驱动器的输出电压也顶到了母线电压极限附近。再往上踩速度指令,转速纹丝不动,三相电流反而开始震荡。那会儿我的第一反应就是&…

2026/11/20 23:27:28 阅读更多 →
C++核心知识点:从内存管理到STL的实战指南

C++核心知识点:从内存管理到STL的实战指南

C 这门语言我前前后后折腾了十几年,用它写过嵌入式驱动、做过游戏服务端,也搭过基础组件库。每次看到新人一头扎进"C 核心知识点"这个搜索词,我其实挺感慨的——这门语言的难点从来不是语法多,而是知识点之间的耦合太深…

2026/11/20 21:55:32 阅读更多 →
T109滑盖智能锁怎么装?安装调试与故障排查全攻略

T109滑盖智能锁怎么装?安装调试与故障排查全攻略

简介:亚太天能T109滑盖智能锁产品说明书以PDF格式发布,适合智能锁用户、安装人员与售后维修人员阅读。内容围绕T109系列指纹密码刷卡锁展开,先介绍前面板、后面板、锁体、机械钥匙、电池盒盖等部件名称与功能,再给出完整安装步骤&…

2026/11/20 23:27:28 阅读更多 →
LLM知识降熵:从信息垄断到理解权下放

LLM知识降熵:从信息垄断到理解权下放

你有没有过这种经历:翻开源码注释、论文摘要或者一份专业报告,每个字都认识,连在一起却像天书。想找人聊聊,身边要么没人懂,要么懂的懒得跟你解释。后来我试着把同一段内容丢给一个大语言模型,几秒钟之后&a…

2026/11/20 22:59:12 阅读更多 →

日新闻

周新闻

月新闻