我这边使用的是Windows10系统，显卡是1080Ti，实际上这部分的代码实测也是可以在Linux上运行的（Ubuntu可以，CentOS没试过，不过这个代码不涉及到跨平台的问题，所以应该没问题），只是需要把各部分涉及到文件路径的地方全都改成Linux的对应路径以及格式就行了。然后我是用notepad++写的，如果是用Pycharm或者VScode的，把项目结构和路径自己搞定就行啦。
经过漫——长——地等待之后，我们的模型终于训练结束了。训练结果看下面啦：
损失函数曲线：
在测试集上的错误率曲线（%）：
可以发现，损失函数基本收敛，到最后一轮损失函数值为0.010078，然后在测试集上的错误率是4.24%，这两个结果和论文上对应的结果······好吧毕竟在训练方式和数据集上有一些差距，所以结果上有点区别是很正常的。（论文上训练集损失函数值为2.5e-3，测试集错误率为5.0%，而且从曲线趋势上讲，我们的复现工作如果降低学习率再多跑几个epoch可能还能继续优化，但是实在是没必要┓( ´∀` )┏）
然后呢为了验证一下我们的模型到底行不行，我们可以从测试集里面随机挑几个数送到模型里面，看一看输出的结果和实际结果。如果还想验证一下模型的真实性能，也可以自己手写几张图片然后传输到模型里面，看看能输出个什么鬼东西。如果要自己手写几张图片传输到模型里面，那需要注意下面的几个问题：
自己拍摄或者是在画图里面画的图片，实际上是三通道的RGB图片，而模型接收的参数是单通道的灰度图，所以你需要用PIL库把图片转化为单通道灰度图，相关的方法可以百度一下啦（convert('L')，搜这个函数哟）
你可以从MNIST的数据集里面随便找出一个输出一下，发现里面所有的图片都是黑底白字的，你可以尝试一下如果你把自己写的白底黑字的灰度图传进去，基本正确率是0吧（大概只有0，1，8能够正确识别出来）。所以要想正确的得到识别结果，你需要把上一步转化的白底黑字的灰度图转化成黑底白字的灰度图，具体做法你可以先将PIL图（假设变量名为image）转化为numpy数组，用255 - image之后（numpy的广播操作），再转回成PIL图，这样就是黑底白字了（别问我为啥知道要这么搞，问就是这坑我掉进去过）