A3648的博客

模型优化

导入训练集和测试集。

本次使用下述模型参数如下：第一个参数：是否载入预训练权重，就是问你要不要载入在IMAGENET这个数据集下已经训练好的权重（各项参数）如果要使用的话就要写一下weight="DEFAULT"或者weight="IMAGENET1K_V1",如果不用不写这个参数就好了，第二个为如果第一个参数写了，他得从网上下权重和相关数据， 如果第二个参数为True，则为显示下载进度条，否则不显示。

优化器的学习

本次重点学一下新版本的CrossEntropyLoss，这玩意折磨我好几个小时。

稍微解释一下就是：Sequential顺序连接：Sequential 容器中的模块是按顺序连接的。当你将输入传递给 Sequential 的 forward() 方法时，它会依次将输出作为下一个模块的输入，最终返回最后一个模块的输出。就是他会按顺序执行你放在Sequential里面的代码。

主要是防止，输入drop_last = False的情况下，最后一组的in_features不等于前几组的，如何稍微更改了一下。对out_feature进行更改，取前面的196608：10的输出，最后一组按比例输出（向上取整模式）下面这两行代码的效果差不多，都是为了将输入的图像展平，变成可以进行矩阵运算的一维矩阵，

自我学习笔记的分享，主要是非线性激活的两个函数的使用

小土堆学习池化层与卷积层的个人理解

据我个人的理解就是画图的，可以看到每一次的步数那么就让我们画两张图第一步：导入第二步：设定赋值与相关文件存在位置（看注释）第三步:画一个简单的图y=2x相当于i从1执行到了100，然后这个图的标题是y=2x,y轴的输入是2*i,x轴的输入是i第三步附加1：显示你的图片（PIL格式的）第四步：关闭第五步：看一下你的图像（注意注释）

首先对于小土堆视频1的aconda可以直接安装最新的（兄弟们加油）（理论上整个过程都不会卡顿，如果发生卡顿，这玩意是外国软件emmm...）

然后由于卷积层的输入kernel不是一个我们规定的特定值而是服从正态分布的一个随机值，我们就可以得到输出如下了：（也就是代码中的out）为了使得卷积计算简单：我们设置stride等于1，padding等于0，经过一个单通道的计算可以得出最后的值为。好的，多通道的输入单通道的输出我们会了，现在我们来看看多通道的输入和多通道的输出。我们经常是RGB三通道，那此时我们的input也选择3通道：如下图。

在我学习改视频的第一章就有点问题就是torch.cuda.is_available(),false ，我寻思我明明有显卡咋会false，然后我就自己开始鼓捣了。

配置conda，首先看上图，选择custom environment，然后记住了一定要选择Scripts文件夹下的conda.exe而不是和小土堆一样的python，然后点reload environment ，如果发现create点不了你就点一下base conda按钮再点回 custom environment，就可以create了。小土堆的第二个视频，新版的pycharm如何。