关于深度学习的概念理解（笔记）

tensor：张量，可以理解为矩阵

torch.rand(batsh_size,chanel,w,h)

batsh_size:一次性能处理的数量

channel：通道数，比如一般的图像为RGB 三通道，灰度图像则只有灰度值，也就是单通道1

w,h:张量的长和宽

nn.moudule:神经网络

包含有forward类函数，

包含有卷积层，池化层等等。

卷积层：

来自百度百科的解释：

卷积神经网络中每层卷积层（Convolutional layer）由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。

作用:类似于滤波器（选频，降噪），提取图像特征。

卷积核：系统自动给定的的初始化值，卷积核的大小是自己设定，接受元组或是整形输入，比如3x3的卷积核，卷积的操作是把卷积核的值一个个与输入值相乘再累加，以此得到输出，输出的长和宽不仅取决于输入和卷积核还收step（步长）影响,步长指的是卷积核做卷积操作时向右相下移动的步数。

池化层：

作用：抽象，降维，类似于把1080p的视频变成720p，减低训练时间。

线性层：

作用：变换特征维度

非线性变换：为网络中引入非线性特征，非线性越多，才能训练出拟合各种曲线的模型。

根据loss获得梯度从而进行反向传播进行优化