准备数据：从MNIST数据集加载训练和测试数据，然后使用自定义的DataGenerator生成器为对比学习任务生成minibatch样本和标签。
构建模型：使用Keras构建一个卷积神经网络模型，该模型具有用于对比学习的编码器和投影头。
自定义对比损失函数：实现自定义的对比损失函数，用于计算模型在对比学习任务中的损失。
预训练模型：使用对比学习任务训练模型，以便模型学习有用的特征表示。
TSNE可视化：在预训练结束后，使用t-SNE算法对模型提取的特征进行可视化，以了解学习到的特征的分布情况。
构建分类器：在预训练模型的基础上，添加一个多层感知器（MLP）层，用于最终的数字分类任务。
训练分类器：使用标签训练分类器，并在测试集上评估其性能。报告分类任务的准确率。
预测单个图像：添加一个功能，用于预测单个输入图像的数字标签。该功能接受图像路径或MNIST数据集中图像的索引作为输入，并返回预测的数字标签。
保存和加载模型：在训练完成后，将分类器模型保存到文件中，以便在其他项目中重用或在训练中断后恢复训练。
项目中的关键文件包括：
main.py：包含项目的主要代码，用于执行上述所有步骤。 data_generator.py：包含自定义的DataGenerator类，用于生成对比学习任务的minibatch样本和标签。 model.py：包含构建模型和分类器的函数。 loss.py：包含自定义对比损失函数的实现。 visualization.py:：包含使用t-SNE算法进行特征可视化的函数。这个文件中的函数将模型提取的特征降维为二维数据，然后使用matplotlib库绘制散点图，以直观地了解学习到的特征的分布情况。 test.py:载入保存的模型，导入随机数据运行模型，进行识别测试 通过这个项目，我们展示了如何使用对比学习预训练一个模型，然后在该模型的基础上训练一个分类器，以在MNIST数据集上进行数字分类。
下面是运行结果图：
