当我们学习编程的时候，编写的第一个程序一般是实现打印"Hello World"。而机器学习（或深度学习）的入门教程，一般都是 MNIST 数据库上的手写识别问题。原因是手写识别属于典型的图像分类问题，比较简单，同时MNIST数据集也很完备。 本页将介绍如何使用PaddlePaddle在DyGraph模式下实现MNIST，包括安装、训练、输出、参数保存、模型评估。
在当前目录下运行样例代码需要PadddlePaddle Fluid的v1.4.0或以上的版本。如果你的运行环境中的PaddlePaddle低于此版本，请根据安装文档中的说明来更新PaddlePaddle。
教程中使用paddle.dataset.mnist数据集作为训练数据，可以通过如下的方式启动训练：
env CUDA_VISIBLE_DEVICES=0 python train.py
Paddle动态图支持多进程多卡进行模型训练，启动训练的方式：
python -m paddle.distributed.launch --selected_gpus=0,1,2,3 --log_dir ./mylog train.py --use_data_parallel 1
此时，程序会将每个进程的输出log导入到./mylog路径下：
.
├── mylog
│ ├── workerlog.0
│ ├── workerlog.1
│ ├── workerlog.2
│ └── workerlog.3
├── README.md
└── train.py
执行训练开始后，将得到类似如下的输出。
Loss at epoch 0 step 0: [2.3043773]
Loss at epoch 0 step 100: [0.20764539]
Loss at epoch 0 step 200: [0.18648806]
Loss at epoch 0 step 300: [0.10279777]
Loss at epoch 0 step 400: [0.03940877]
...
调用fluid.dygraph.save_persistables()接口可以把模型的参数进行保存。
fluid.dygraph.save_persistables(mnist.state_dict(), "save_dir")执行mnist.eval()可以切换至评估状态，即不更新只使用参数进行训练，通过这种方式进行测试或者评估。
mnist.eval()我们使用手写数据集中的一张图片来进行评估。为了区别训练模型，我们使用with fluid.dygraph.guard()来切换到一个新的参数空间，然后构建一个用于评估的网络mnist_infer，并通过mnist_infer.load_dict()来加载使用fluid.dygraph.load_persistables读取的参数。然后用mnist_infer.eval()切换到评估。
with fluid.dygraph.guard():
mnist_infer = MNIST("mnist")
# load checkpoint
mnist_infer.load_dict(
fluid.dygraph.load_persistables("save_dir"))
# start evaluate mode
mnist_infer.eval()如果无意外，将可以看到预测的结果：
Inference result of image/infer_3.png is: 3