Projeto: Rede Neural em PyTorch para Classificação de Dígitos MNIST

Este projeto implementa uma rede neural simples em PyTorch para classificar dígitos do dataset MNIST, usando funções de treinamento, validação e visualização de resultados.

---

Sumário

• Estrutura de Pastas
• Instalação e Configuração do Ambiente
• Como Executar
• Uso de GPU (CUDA)
• Descrição dos Arquivos
• Resultados
• Referências

---

Estrutura de Pastas

A estrutura sugerida para o projeto é:

Rede_Neural/
├── data/
│   ├── __init__.py
│   └── importando_datasets.py
├── models/
│   ├── __init__.py
│   └── modelo.py
├── Rede_Neural/
│   ├── main.py
│   ├── train.py
│   └── ...
├── .venv/                  # (opcional) Ambiente virtual Python
├── README.md               # Este arquivo
└── requirements.txt        # (opcional) Dependências

---

Instalação e Configuração do Ambiente

1. Clonar o repositório (opcional)

   git clone https://github.com/usuario/ML_First_Project.git
   cd Rede_Neural

2. Crie um ambiente virtual (opcional, mas recomendado)

   python -m venv .venv

   e ative-o:

   • Windows:

     .venv\Scripts\activate

   • Linux/Mac:

     source .venv/bin/activate

3. Instale as dependências
   Se tiver um arquivo requirements.txt:

   pip install -r requirements.txt

   Ou instale manualmente:

   pip install torch torchvision matplotlib

---

Como Executar

1. Abra um terminal dentro da pasta raiz do projeto (ex: Rede_Neural/).
2. Certifique-se de que seu ambiente virtual está ativo.
3. Rode o script principal:

   python Rede_Neural/main.py

   O código irá:
   • Baixar o dataset MNIST (caso não exista).
   • Treinar a rede neural por um número de épocas (definido no código).
   • Validar o modelo após o treino.
   • Exibir uma imagem de exemplo do batch de treinamento.

Você deverá ver algo como:

Dispositivo em uso: cuda
Epoch [1/10] - Perda acumulada: ...
...
Total de imagens = 10000
Precisão do Modelo: 95.76%

---

Uso de GPU (CUDA)

1. Verifique se você possui drivers atualizados da NVIDIA.
2. Instale a versão do PyTorch com suporte a CUDA. Exemplo (PyTorch mais recente + CUDA 11.8):

   pip uninstall torch torchvision torchaudio -y
   pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

3. No código, usamos:

   device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

   Se torch.cuda.is_available() for True, o script usará sua GPU. Caso contrário, usará a CPU.

---

Descrição dos Arquivos

• data/importando_datasets.py

  • Carrega e transforma o dataset MNIST (transformação ToTensor()).
  • Exporta trainset, trainloader, valset, valloader com batch_size e shuffle configurados.

• models/modelo.py

  • Define a classe Modelo (herdando de nn.Module), com camadas lineares e o método forward.

• train.py

  • Define funções de treinamento (treino()) e validação (validacao()).
  • Gerencia otimização, cálculo de perda (NLLLoss), e exibe métricas como perda acumulada e acurácia.

• main.py

  • Script principal que:
    1. Define device (cuda ou cpu).
    2. Instancia o modelo e move para device.
    3. Chama treino().
    4. Chama validacao().
    5. Exibe exemplos de imagens e dimensões de tensores.

---

Resultados

• Ao final de 10 épocas (epochs), o modelo deve alcançar uma acurácia acima de 94% no MNIST, podendo chegar a 97~98% conforme hiperparâmetros ou ajustes no modelo.
• Tempos de treinamento podem variar dependendo do uso de CPU ou GPU.

---

Referências

• Documentação do PyTorch
• Dataset MNIST
• Exemplo de Classificação MNIST em PyTorch (Tutorial Oficial) — apesar de focar em CIFAR10, os conceitos são semelhantes.

Sinta-se à vontade para contribuir com melhorias ou abrir issues neste projeto!