训练集训练次数对测试效果的关系证明

完整代码即注释展示：
import torch
from torch import nn
from torchvision import datasets
from torch.utils.data import DataLoader
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams["axes.unicode_minus"] = False  # 防止负号显示出错
plt.rcParams['font.family'] = 'SimHei'
# (1) 训练集: 训练模型
train_ds = datasets.MNIST(
   root='data',  # 说明数据集下载的路径
   download=True,
   train=True,  # 区分训练集还是测试集
   transform=ToTensor(),  # 尤其需要注意(),将原始数据格式转换为Tensor格式
)
# (2) 测试集: 评估模型的性能/效果
test_ds = datasets.MNIST(
   root='data',
   download=True,
   train=False,
   transform=ToTensor(),
)
# (3)
train_loader = DataLoader(
   dataset=train_ds,
   batch_size=128,  # 每一段的大小是128
   shuffle=True,  # 1--60000 打乱数据的次序, 一般用于训练
)
# (4)
test_loader = DataLoader(
   dataset=test_ds,
   batch_size=128  # 测试集不需要shuffle
)
# (5) 定义三层全连接网络
# (5.1) 创建一个新的类继承nn.Module
class MyNet(nn.Module):
   # (5.2) 定义网络有哪些层,这些层都作为成员变量
   def __init__(self) -> None:
       super().__init__()
       self.flatten = nn.Flatten()  # 将28x28的图像拉伸为784维向量
       # 第1个全连接层Full Connection(FC)
       # in_features表示该层的前面一层神经元个数
       # out_features标识当前这一层神经元个数
       # 对应图里面Layer2
       self.fc1 = nn.Linear(in_features=784, out_features=512)
       # 对应Layer3 也是就输出层
       self.fc2 = nn.Linear(in_features=512, out_features=10)
   # (5.3) 定义数据在网络中的流动
   # x - 28x28
   def forward(self, x):
       x = self.flatten(x)  # 输出: 784, 对应图Layer 1
       x = self.fc1(x)  # 输出: 512, 对应Layer 2
       out = self.fc2(x)  # 输出: 10, 对应Layer 3
       return out
# (6)网络的输入、输出以及测试网络的性能（不经过任何训练的网络）
net = MyNet()
#网络训练过程
#x，真实标签y ，网络预测标签y_hat
#目标：y_hat越来越接近y
#算法：mini-batch 梯度下降
#优化器
#具体实现梯度下降法的传播
optimizer=torch.optim.SGD(net.parameters(),lr=1e-3)
#损失函数
#衡量y与y_hat之间的差异
loss_fn=nn.CrossEntropyLoss()
#训练网络
def train(dataloader,net, loss_fn , optimizer):
   net.train()
   #一个batch一个batch的训练网络
   for x,y in dataloader:
       pred=net(x)
       #衡量y与y_hat之间的loss
       #y:128，predicate：128x10 crossentropyloss
       loss=loss_fn(pred,y)
       #基于loss信息利用优化器从后向前更新网络全部参数<---
       optimizer.zero_grad()
       loss.backward()
       optimizer.step()
#训练一下
list = []
for i in range(20):
   for j in range(i):
       train(train_loader,net,loss_fn, optimizer)
#todo 简单训练一下后，网络的性能
#网络评估
   def test(dataloader ,net ,loss_fn):
       net.eval()
       with torch.no_grad():
           a = 0
           for x,y in dataloader:
               pred = net(x)#128*10
               #当前batch的正确数量
               correct = (pred.argmax(1)==y).type(torch.int).sum().item()
               a = a+int(correct)
           a = (a//79)
           return a
   list.append(test(test_loader, net, loss_fn))
print(list)
x=np.array([0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,8,19])
y = np.array(list)
plt.scatter(x,y)
plt.title('训练次数对正确率的关系折线图',fontsize = 18)
plt.xlabel('训练次数',fontsize = 14)
plt.ylabel('正确次数',fontsize = 14)
plt.show()