2301_80181144的博客

在model(test)之前，需要加上model.eval()，否则的话，有输入数据，即使不训练，它也会改变权值。nn.Conv2d为卷积层，用于提取图片的特征，传入参数为输入channel，输出channel，池化核大小。nn.MaxPool2d为池化层，进行下采样，用更高层的抽象表示图像特征，传入参数为池化核大小。训练函数和测试函数差别不大，但是由于不进行梯度下降对网络权重进行更新，所以不用优化器。进行优化步骤，通过梯度下降来更新参数的值。构成，特征提取网络用于提取图片的特征，后者将图片进行分类。

batch_size和num_workers就是训练规模了，这里由你的GPU性能决定，性能越好这两者数值就可以越大，训练速度也就越快，两个变量根据训练情况调整。worker_init_fn(callable,optional) ： 如果不是 None，这将在步长之后和数据加载之前在每个工作子进程上调用，并使用工作 id（[0，num_workers - 1] 中的一个 int）的顺序逐个导入。在model(test)之前，需要加上model.eval()，否则的话，有输入数据，即使不训练，它也会改变权值。

神经网络（下左图）是类似二维的处理，而卷积神经网络（Convolutional Neural Network，后称CNN）是要解决图的问题，可以看作是三维空间（下右图）解决问题。（比方说神经网络中的某个数据是（x=3，2）代表第三个数据的值是2；CNN处理图像通常是至少是三维，一般代表长宽数据，比如（x=3，y=4，2），在（3，4）这个点的数据为2）

我们学习的图像分类许多都是基于衍生的，CNN在计算机视觉的重要性不言而喻。。了解神经网络的原理，为卷积神经网络的学习做铺垫。本章主要学习BP神经网络，主要理解推理过程，知道模型的运行原理，虽然BP神经网络跟图像分类的关系不算太大，但是要，后续的cnn模型只会比BP神经网络更复杂。

根据当前AI发展趋势，选择一些经典的机器学习（machine learning，后续可能简称为ML）进行学习，放弃一些当前比较落伍冷门的机器学习内容。