GitHub上最火的项目有哪些这些热门开源工具如何提升你的开发效率及解决实际编程难题

引言

GitHub作为全球最大的代码托管平台，汇集了数百万个开源项目，这些项目不仅展示了开发者的创造力，也为整个技术社区提供了宝贵的资源。本文将详细介绍GitHub上最火的一些开源项目，并说明它们如何帮助开发者提高效率、解决实际编程难题。

代码编辑器和开发环境

Visual Studio Code

Visual Studio Code（简称VS Code）是由Microsoft开发的一款免费、开源的代码编辑器，在GitHub上获得了超过140,000个star，是GitHub上最受欢迎的项目之一。

主要功能和特点：

内置的调试支持
Git集成的版本控制
智能代码补全（基于IntelliSense）
可定制的主题和设置
丰富的扩展生态系统

提升开发效率： VS Code通过其轻量级但功能强大的设计，极大地提高了开发效率。内置的终端允许开发者在不离开编辑器的情况下执行命令，而其强大的搜索和替换功能可以快速定位和修改代码。VS Code的调试器支持多种语言，使得调试过程更加直观和高效。

解决的实际编程难题： VS Code解决了开发环境配置复杂的问题。通过其扩展市场，开发者可以轻松添加对新语言、框架和工具的支持，无需配置复杂的开发环境。例如，Python开发者可以安装Python扩展，获得代码补全、调试、单元测试和代码检查等功能。

使用示例：安装VS Code后，可以通过安装扩展来增强功能。例如，要开发Python应用，可以按照以下步骤配置：

在VS Code中安装Python扩展
创建一个新的Python文件
编写代码时，VS Code会自动提供代码补全
点击右上角的播放按钮可以直接运行代码
设置断点并使用调试器进行调试

# 示例Python代码 def fibonacci(n): """返回斐波那契数列的第n项""" if n <= 1: return n return fibonacci(n-1) + fibonacci(n-2) # 打印前10项斐波那契数 for i in range(10): print(fibonacci(i))

Atom

Atom是GitHub开发的一款开源代码编辑器，虽然现在已经进入维护模式，但它曾经是最受欢迎的编辑器之一，对后来的编辑器产生了深远影响。

主要功能和特点：

完全可定制
内置包管理器
跨平台支持（Windows、macOS和Linux）
智能自动补全
多窗格界面

提升开发效率： Atom的模块化设计允许开发者根据自己的需求定制编辑器。通过其内置的包管理器，可以轻松安装新功能和主题。Atom的多窗格界面使得同时查看和编辑多个文件变得简单，提高了工作效率。

解决的实际编程难题： Atom解决了跨平台开发环境一致性的问题。由于Atom在所有主要操作系统上的表现一致，团队成员可以使用相同的编辑器，减少因环境差异导致的问题。此外，Atom的Telemetry系统允许开发者了解编辑器的使用情况，从而优化其性能。

前端开发框架

React

React是由Facebook开发并开源的JavaScript库，用于构建用户界面，特别是单页应用程序。在GitHub上拥有超过200,000个star，是前端开发领域最受欢迎的项目之一。

主要功能和特点：

组件化架构
虚拟DOM
单向数据流
JSX语法
强大的生态系统

提升开发效率： React的组件化架构允许开发者构建可重用的UI组件，大大减少了代码重复。虚拟DOM技术使得UI更新更加高效，只更新实际变化的部分。React的生态系统提供了大量现成的组件和库，开发者可以直接使用，无需从零开始构建。

解决的实际编程难题： React解决了传统Web应用中UI状态管理复杂的问题。通过其单向数据流和状态管理工具（如Redux或Context API），开发者可以更好地管理应用状态，减少因状态不一致导致的bug。此外，React的组件生命周期方法使得处理副作用和资源清理变得更加简单和可控。

使用示例：以下是一个简单的React组件示例，展示如何创建一个计数器：

import React, { useState } from 'react'; function Counter() { // 使用useState钩子管理状态 const [count, setCount] = useState(0); return ( <div> <h1>计数器: {count}</h1> <button onClick={() => setCount(count + 1)}> 增加 </button> <button onClick={() => setCount(count - 1)}> 减少 </button> </div> ); } export default Counter;

Vue.js

Vue.js是一个渐进式JavaScript框架，用于构建用户界面。在GitHub上拥有超过190,000个star，是React的主要竞争对手之一。

主要功能和特点：

渐进式框架
简单易学的API
响应式数据绑定
组件系统
Vue CLI和Vue Router等官方工具

提升开发效率： Vue.js的学习曲线相对平缓，新手可以快速上手。其模板语法直观易懂，使得开发过程更加高效。Vue的单文件组件（.vue文件）将HTML、CSS和JavaScript组合在一个文件中，简化了组件开发和管理。

解决的实际编程难题： Vue.js解决了复杂应用中的状态管理问题。通过Vuex（Vue的状态管理库），开发者可以集中管理应用状态，使数据流向更加清晰。Vue的响应式系统自动追踪依赖关系，当数据变化时，相关的DOM会自动更新，减少了手动操作DOM的工作。

使用示例：以下是一个简单的Vue组件示例，展示如何创建一个待办事项列表：

<template> <div> <h1>待办事项列表</h1> <input v-model="newTodo" @keyup.enter="addTodo"> <button @click="addTodo">添加</button> <ul> <li v-for="(todo, index) in todos" :key="index"> {{ todo }} <button @click="removeTodo(index)">删除</button> </li> </ul> </div> </template> <script> export default { data() { return { newTodo: '', todos: [] } }, methods: { addTodo() { if (this.newTodo.trim()) { this.todos.push(this.newTodo); this.newTodo = ''; } }, removeTodo(index) { this.todos.splice(index, 1); } } } </script>

后端开发框架

Spring Boot

Spring Boot是Java生态系统中最流行的框架之一，它简化了基于Spring的应用开发。在GitHub上拥有超过65,000个star。

主要功能和特点：

自动配置
起始依赖
嵌入式服务器（如Tomcat、Jetty）
生产就绪特性（如指标、健康检查和外部化配置）
无代码生成和XML配置

提升开发效率： Spring Boot通过自动配置和起始依赖大大减少了开发者的配置工作。开发者可以专注于业务逻辑，而不是繁琐的配置。其嵌入式服务器特性使得应用可以打包为可执行JAR并直接运行，简化了部署过程。

解决的实际编程难题： Spring Boot解决了传统Spring应用配置复杂的问题。通过其”约定优于配置”的理念，Spring Boot能够根据项目中添加的依赖自动配置应用组件。此外，Spring Boot Actuator提供了生产级别的监控和管理功能，使得应用运维更加简单。

使用示例：以下是一个简单的Spring Boot REST API示例：

// 主应用类 package com.example.demo; import org.springframework.boot.SpringApplication; import org.springframework.boot.autoconfigure.SpringBootApplication; @SpringBootApplication public class DemoApplication { public static void main(String[] args) { SpringApplication.run(DemoApplication.class, args); } }

// 控制器类 package com.example.demo; import org.springframework.web.bind.annotation.GetMapping; import org.springframework.web.bind.annotation.RequestParam; import org.springframework.web.bind.annotation.RestController; @RestController public class GreetingController { @GetMapping("/greeting") public Greeting greeting(@RequestParam(value = "name", defaultValue = "World") String name) { return new Greeting(String.format("Hello, %s!", name)); } }

// 模型类 package com.example.demo; public class Greeting { private final String content; public Greeting(String content) { this.content = content; } public String getContent() { return content; } }

Django

Django是一个高级Python Web框架，鼓励快速开发和干净、实用的设计。在GitHub上拥有超过65,000个star。

主要功能和特点：

ORM（对象关系映射）
自动生成的管理界面
优雅的URL设计
模板系统
内置安全特性

提升开发效率： Django的”batteries-included”哲学提供了开箱即用的功能，从ORM到模板系统，再到认证系统，几乎涵盖了Web开发的所有方面。其自动生成的管理界面使得内容管理变得简单，无需编写额外代码。Django的MTV（Model-Template-View）架构使得代码组织清晰，易于维护。

解决的实际编程难题： Django解决了Web开发中的许多常见问题，如数据库操作、表单处理、用户认证等。其ORM系统抽象了SQL操作，开发者可以使用Python代码进行数据库查询，无需编写原始SQL。Django的安全特性，如CSRF保护、SQL注入防护等，帮助开发者构建安全的Web应用。

使用示例：以下是一个简单的Django应用示例：

# models.py from django.db import models class Post(models.Model): title = models.CharField(max_length=200) content = models.TextField() created_at = models.DateTimeField(auto_now_add=True) def __str__(self): return self.title

# views.py from django.shortcuts import render, get_object_or_404 from .models import Post def post_list(request): posts = Post.objects.all() return render(request, 'blog/post_list.html', {'posts': posts}) def post_detail(request, pk): post = get_object_or_404(Post, pk=pk) return render(request, 'blog/post_detail.html', {'post': post})

<!-- templates/blog/post_list.html --> <!DOCTYPE html> <html> <head> <title>博客列表</title> </head> <body> <h1>博客列表</h1> {% for post in posts %} <div> <h2><a href="{% url 'post_detail' pk=post.pk %}">{{ post.title }}</a></h2> <p>{{ post.created_at }}</p> </div> {% endfor %} </body> </html>

开发和运维工具

Docker

Docker是一个开源的容器化平台，可以将应用及其依赖打包到轻量级、可移植的容器中。在GitHub上拥有超过60,000个star。

主要功能和特点：

容器化技术
镜像管理
容器编排
跨平台支持
丰富的生态系统

提升开发效率： Docker通过容器化技术解决了”在我机器上可以运行”的问题。开发者可以在本地创建与生产环境一致的开发环境，减少因环境差异导致的问题。Docker的快速启动和停止特性使得开发、测试和部署过程更加高效。此外，Docker Compose允许开发者使用YAML文件定义多容器应用，简化了复杂应用的设置和管理。

解决的实际编程难题： Docker解决了应用部署和环境一致性的问题。通过容器化，应用及其所有依赖被打包在一起，确保在任何环境中都能以相同的方式运行。Docker还简化了扩展和管理应用的过程，特别是在微服务架构中，每个服务可以独立容器化、部署和扩展。

使用示例：以下是一个简单的Dockerfile示例，用于容器化一个Python Flask应用：

# 使用官方Python运行时作为基础镜像 FROM python:3.8-slim # 设置工作目录 WORKDIR /app # 将当前目录内容复制到容器的/app目录 COPY . /app # 安装requirements.txt中指定的包 RUN pip install --no-cache-dir -r requirements.txt # 对外暴露端口 EXPOSE 5000 # 定义环境变量 ENV FLASK_APP app.py # 运行应用 CMD ["flask", "run", "--host=0.0.0.0"]

使用Docker Compose管理多容器应用：

version: '3' services: web: build: . ports: - "5000:5000" volumes: - .:/app environment: - FLASK_ENV=development redis: image: "redis:alpine"

Kubernetes

Kubernetes（简称K8s）是一个开源的容器编排平台，用于自动化部署、扩展和管理容器化应用。在GitHub上拥有超过90,000个star。

主要功能和特点：

自动化部署和扩展
服务发现和负载均衡
存储编排
自动修复和自愈
密钥和配置管理

提升开发效率： Kubernetes通过自动化容器管理大大提高了运维效率。开发者可以定义应用的期望状态，Kubernetes会确保实际状态与期望状态一致。其自动扩展功能可以根据负载自动调整应用实例数量，而滚动更新策略允许应用在不中断服务的情况下进行更新。

解决的实际编程难题： Kubernetes解决了大规模容器管理的复杂性。在微服务架构中，可能有数十甚至数百个容器需要管理，Kubernetes提供了统一的平台来管理这些容器。其服务发现和负载均衡功能使得服务间通信变得简单，而存储编排则解决了持久化存储的问题。

使用示例：以下是一个简单的Kubernetes部署示例：

# deployment.yaml apiVersion: apps/v1 kind: Deployment metadata: name: nginx-deployment spec: replicas: 3 selector: matchLabels: app: nginx template: metadata: labels: app: nginx spec: containers: - name: nginx image: nginx:1.14.2 ports: - containerPort: 80

# service.yaml apiVersion: v1 kind: Service metadata: name: nginx-service spec: selector: app: nginx ports: - protocol: TCP port: 80 targetPort: 80 type: LoadBalancer

Jenkins

Jenkins是一个开源的自动化服务器，用于实现持续集成和持续交付（CI/CD）。在GitHub上拥有超过20,000个star。

主要功能和特点：

持续集成和持续交付
丰富的插件生态系统
分布式构建支持
流水线即代码
易于集成各种版本控制系统

提升开发效率： Jenkins通过自动化构建、测试和部署流程，大大提高了开发团队的效率。开发者提交代码后，Jenkins可以自动触发构建和测试，及时发现并解决问题。其流水线功能允许团队将整个交付流程定义为代码，使得流程更加透明和可维护。

解决的实际编程难题： Jenkins解决了软件交付过程中的自动化问题。在传统的软件开发中，构建、测试和部署通常是手动执行的，容易出错且耗时。Jenkins通过自动化这些过程，减少了人为错误，加快了交付速度。此外，Jenkins的分布式构建功能允许团队利用多台机器并行执行任务，提高了构建速度。

使用示例：以下是一个简单的Jenkinsfile示例，定义了一个CI/CD流水线：

pipeline { agent any stages { stage('Build') { steps { // 构建应用 sh 'mvn clean package' } } stage('Test') { steps { // 运行测试 sh 'mvn test' } } stage('Deploy') { steps { // 部署到生产环境 sh './deploy.sh' } } } post { always { // 无论成功或失败都执行 echo 'Pipeline completed' } success { // 仅在成功时执行 echo 'Pipeline succeeded' } failure { // 仅在失败时执行 echo 'Pipeline failed' } } }

数据库工具

Redis

Redis是一个开源的内存数据结构存储，用作数据库、缓存和消息代理。在GitHub上拥有超过60,000个star。

主要功能和特点：

内存数据存储
支持多种数据结构（字符串、哈希、列表、集合等）
持久化选项
主从复制
高可用性和分区

提升开发效率： Redis的高性能特性使得开发者可以构建快速响应的应用。其丰富的数据结构提供了灵活的数据操作方式，简化了复杂的数据处理逻辑。Redis的发布/订阅功能使得实现实时通信变得简单，而其事务支持则确保了数据操作的原子性。

解决的实际编程难题： Redis解决了高性能数据访问的问题。在许多应用中，数据库访问是性能瓶颈，Redis通过将热点数据存储在内存中，大大提高了访问速度。Redis还解决了分布式系统中的缓存一致性问题，通过其过期策略和发布/订阅功能，可以构建高效的缓存系统。

使用示例：以下是一个使用Redis的Python示例：

import redis import json # 连接到Redis r = redis.Redis(host='localhost', port=6379, db=0) # 使用字符串 r.set('name', 'Redis') print(r.get('name')) # 输出: b'Redis' # 使用哈希 r.hset('user:1', mapping={ 'name': 'Alice', 'email': 'alice@example.com', 'age': 30 }) print(r.hgetall('user:1')) # 输出: {b'name': b'Alice', b'email': b'alice@example.com', b'age': b'30'} # 使用列表 r.lpush('tasks', 'task1', 'task2', 'task3') print(r.lrange('tasks', 0, -1)) # 输出: [b'task3', b'task2', b'task1'] # 使用集合 r.sadd('tags', 'python', 'redis', 'database') print(r.smembers('tags')) # 输出: {b'redis', b'python', b'database'} # 使用JSON存储（需要RedisJSON模块） user = { 'name': 'Bob', 'email': 'bob@example.com', 'age': 25 } r.execute_command('JSON.SET', 'user:2', '.', json.dumps(user)) print(r.execute_command('JSON.GET', 'user:2')) # 输出: {"name":"Bob","email":"bob@example.com","age":25}

MongoDB

MongoDB是一个开源的文档数据库，提供高性能、高可用性和易扩展性。在GitHub上拥有超过23,000个star。

主要功能和特点：

文档存储（BSON格式）
灵活的模式
丰富的查询语言
水平扩展
聚合框架

提升开发效率： MongoDB的文档模型使得开发者可以存储复杂的数据结构，无需预先定义严格的模式。这种灵活性特别适合快速迭代开发，因为数据结构可以随应用需求的变化而变化。MongoDB的查询语言强大而直观，支持复杂的查询和聚合操作，简化了数据处理逻辑。

解决的实际编程难题： MongoDB解决了传统关系型数据库在处理非结构化和半结构化数据时的局限性。在许多现代应用中，数据结构不断变化，MongoDB的灵活模式使得开发者可以轻松适应这些变化。此外，MongoDB的水平扩展能力使得应用可以随着数据量的增长而扩展，无需复杂的分片策略。

使用示例：以下是一个使用MongoDB的Node.js示例：

const { MongoClient } = require('mongodb'); // 连接到MongoDB async function main() { const uri = "mongodb://localhost:27017"; const client = new MongoClient(uri); try { // 连接到服务器 await client.connect(); // 选择数据库和集合 const database = client.db("mydb"); const collection = database.collection("users"); // 插入文档 const insertResult = await collection.insertOne({ name: "Alice", age: 30, interests: ["reading", "hiking", "coding"], address: { street: "123 Main St", city: "Anytown", state: "CA" } }); console.log("Inserted document:", insertResult.insertedId); // 查询文档 const query = { name: "Alice" }; const user = await collection.findOne(query); console.log("Found user:", user); // 更新文档 const updateResult = await collection.updateOne( { name: "Alice" }, { $set: { age: 31 } } ); console.log("Updated", updateResult.modifiedCount, "document"); // 聚合查询 const aggregateResult = await collection.aggregate([ { $match: { age: { $gte: 25 } } }, { $group: { _id: "$address.city", count: { $sum: 1 } } } ]).toArray(); console.log("Aggregation result:", aggregateResult); } finally { // 确保客户端在完成/出错时关闭 await client.close(); } } main().catch(console.error);

项目管理与协作工具

GitHub Actions

GitHub Actions是GitHub提供的CI/CD（持续集成和持续交付）平台，允许开发者直接在GitHub仓库中自动化、定制和执行软件开发工作流程。在GitHub上，它是原生的功能，作为一个项目有超过12,000个star。

主要功能和特点：

工作流自动化
多平台支持（Linux、macOS、Windows）
矩阵构建
自托管运行器
丰富的市场生态系统

提升开发效率： GitHub Actions通过将CI/CD直接集成到代码托管平台，简化了开发流程。开发者无需配置额外的服务器或服务，就可以创建复杂的工作流。其事件驱动的特性允许工作流响应各种GitHub事件，如推送、拉取请求或问题创建。GitHub Actions的矩阵构建功能允许开发者在多个环境和配置上测试代码，确保兼容性。

解决的实际编程难题： GitHub Actions解决了CI/CD工具与代码托管平台分离的问题。在传统的开发流程中，开发者需要使用独立的CI/CD服务，并配置与代码仓库的集成。GitHub Actions将这一切集成在一起，减少了配置复杂性。此外，GitHub Actions的自托管运行器解决了特定环境或安全需求下的构建和部署问题。

使用示例：以下是一个简单的GitHub Actions工作流示例，用于在代码推送到主分支时自动构建和测试Node.js应用：

name: Node.js CI on: push: branches: [ main ] pull_request: branches: [ main ] jobs: build: runs-on: ubuntu-latest strategy: matrix: node-version: [14.x, 16.x, 18.x] steps: - uses: actions/checkout@v3 - name: Use Node.js ${{ matrix.node-version }} uses: actions/setup-node@v3 with: node-version: ${{ matrix.node-version }} cache: 'npm' - run: npm ci - run: npm run build --if-present - run: npm test

GitKraken

GitKraken是一个直观、跨平台的Git客户端，提供了图形界面来简化Git操作。虽然GitKraken本身不是开源的，但它有一个开源的CLI工具GitKraken CLI，在GitHub上有超过2,000个star。

主要功能和特点：

直观的图形界面
分支可视化
合并冲突解决工具
集成GitHub、GitLab等平台
支持SSH和HTTPS认证

提升开发效率： GitKraken通过可视化Git操作，大大降低了Git的学习曲线。开发者可以直观地看到分支、提交和合并的历史，而不需要记住复杂的Git命令。其合并冲突解决工具提供了并排比较和简单的点击合并选项，使得解决冲突变得更加简单。GitKraken还集成了代码托管平台，允许开发者直接在客户端中创建拉取请求和审查代码。

解决的实际编程难题： GitKraken解决了Git命令行工具复杂性和不直观的问题。许多开发者，特别是新手，发现Git命令难以记忆和使用。GitKraken通过图形界面简化了这些操作，使得版本控制变得更加可访问。此外，GitKraken的分支可视化功能解决了理解复杂分支历史的难题，使得团队协作更加顺畅。

人工智能和机器学习工具

TensorFlow

TensorFlow是一个开源的机器学习框架，由Google开发。在GitHub上拥有超过180,000个star，是人工智能领域最受欢迎的项目之一。

主要功能和特点：

灵活的生态系统
多平台支持（服务器、移动设备、Web等）
丰富的预训练模型
高级API（Keras）
分布式训练支持

提升开发效率： TensorFlow通过提供高级API（如Keras）简化了机器学习模型的开发过程。开发者可以使用这些API快速构建、训练和评估模型，而无需深入了解底层实现。TensorFlow的预训练模型库（TensorFlow Hub）提供了大量现成的模型，开发者可以直接使用或进行微调，大大减少了开发时间。

解决的实际编程难题： TensorFlow解决了机器学习模型开发和部署的复杂性。在TensorFlow出现之前，开发者需要从零开始实现复杂的算法和优化技术。TensorFlow提供了这些功能的现成实现，使得开发者可以专注于解决实际问题。此外，TensorFlow的多平台支持解决了模型部署到不同环境的难题，从云端到移动设备，甚至是浏览器。

使用示例：以下是一个使用TensorFlow和Keras构建和训练神经网络的简单示例：

import tensorflow as tf from tensorflow import keras import numpy as np # 准备数据 (x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data() # 预处理数据 x_train = x_train.reshape(-1, 28, 28, 1).astype('float32') / 255.0 x_test = x_test.reshape(-1, 28, 28, 1).astype('float32') / 255.0 # 构建模型 model = keras.Sequential([ keras.layers.Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)), keras.layers.MaxPooling2D(pool_size=(2, 2)), keras.layers.Flatten(), keras.layers.Dense(128, activation='relu'), keras.layers.Dense(10, activation='softmax') ]) # 编译模型 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 训练模型 model.fit(x_train, y_train, epochs=5, validation_split=0.2) # 评估模型 test_loss, test_acc = model.evaluate(x_test, y_test) print(f'Test accuracy: {test_acc}') # 使用模型进行预测 predictions = model.predict(x_test[:5]) predicted_classes = np.argmax(predictions, axis=1) print(f'Predicted classes: {predicted_classes}') print(f'Actual classes: {y_test[:5]}')

PyTorch

PyTorch是由Facebook开发的开源机器学习库，基于Torch库。在GitHub上拥有超过65,000个star，是TensorFlow的主要竞争对手。

主要功能和特点：

动态计算图
Python优先
丰富的生态系统
强大的GPU加速
分布式训练支持

提升开发效率： PyTorch的动态计算图使得调试和实验变得更加容易，开发者可以在运行时检查和修改模型结构。其Pythonic的设计使得代码更加直观和易于理解，减少了学习成本。PyTorch的生态系统提供了许多现成的模型和工具，如TorchVision（用于计算机视觉）和TorchText（用于自然语言处理），大大加速了开发过程。

解决的实际编程难题： PyTorch解决了研究和生产之间的鸿沟。在PyTorch出现之前，研究人员使用的工具（如Theano或Torch）与工业界使用的工具（如Caffe或TensorFlow的静态图）之间存在差异。PyTorch的动态图和直观的API使得研究代码可以直接用于生产，减少了转换成本。此外，PyTorch的TorchScript功能允许开发者将动态图转换为静态图，解决了部署性能的问题。

使用示例：以下是一个使用PyTorch构建和训练神经网络的简单示例：

import torch import torch.nn as nn import torch.optim as optim import torchvision import torchvision.transforms as transforms # 准备数据 transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,)) ]) trainset = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True) testset = torchvision.datasets.MNIST(root='./data', train=False, download=True, transform=transform) testloader = torch.utils.data.DataLoader(testset, batch_size=64, shuffle=False) # 定义模型 class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(1, 32, 3) self.pool = nn.MaxPool2d(2, 2) self.fc1 = nn.Linear(32 * 13 * 13, 128) self.fc2 = nn.Linear(128, 10) def forward(self, x): x = self.pool(torch.relu(self.conv1(x))) x = x.view(-1, 32 * 13 * 13) x = torch.relu(self.fc1(x)) x = self.fc2(x) return x net = Net() # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(net.parameters()) # 训练模型 for epoch in range(5): running_loss = 0.0 for i, data in enumerate(trainloader, 0): inputs, labels = data optimizer.zero_grad() outputs = net(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() if i % 100 == 99: print(f'[Epoch {epoch + 1}, Batch {i + 1}] loss: {running_loss / 100:.3f}') running_loss = 0.0 # 测试模型 correct = 0 total = 0 with torch.no_grad(): for data in testloader: images, labels = data outputs = net(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print(f'Accuracy of the network on the 10000 test images: {100 * correct / total:.2f}%')