利用PyTorch构建卷积神经网络以分类MNIST数据集，探讨不同网络深度及卷积核尺寸对分类准确率的影响并展示实验结果

简介：
本研究使用PyTorch框架搭建卷积神经网络模型，针对MNIST手写数字数据集进行分类任务。分析了多种网络深度和卷积核大小的配置对于最终分类精度的影响，并详细展示了各项实验的结果与观察结论。 一、实验目的：熟悉并掌握卷积神经网络的定义及其各层特点（如卷积层、池化层），并通过使用MINST数据集进行分类操作来加深理解。 二、实验内容：利用MINST数据集，实现对0至9这10类数字的手写体图像的分类。具体步骤为下载MINST数据集，并训练自己编写的网络模型，记录每次迭代过程中的损失值变化情况； 三、实验要求： 1. 训练过程中需详细记录每轮迭代时的损失值； 2. 调整卷积神经网络中各层结构（包括但不限于卷积层数和池化层数），观察分类准确率的变化，分析不同层次设置对最终结果的影响； 3. 改变卷积核大小，同样地观测其对于模型性能的具体影响，并思考其中的原因； 4. 力求使实验精度达到99.5%，同时确保网络架构简洁明了且易于理解（虽有优化空间）； 5. 实验报告中需包含基于不同层配置和滤波器尺寸的对比分析，即在原有基础上分别构建两组对照模型进行测试，并使用TensorBoard工具对结果进行可视化展示。