Ethan_Rich的博客

正总和: 差值图总和为正表示整体上I1比I2亮，但这并不保证I1在所有区域中都比I2亮。局部分析: 对于详细了解图像中的亮度变化，分析差值图中的局部区域是必要的。这样可以更准确地判断图像间的具体亮度差异，而不仅仅依赖于整体总和。

Dataset__len__(): 返回数据集的总样本数。DataLoader使用这个方法来确定数据的总量，以便进行正确的批处理和打乱。: 根据索引返回单个数据样本。DataLoader会调用这个方法来获取每个批次的数据样本。DataLoader负责将数据分批、打乱数据、并行加载等任务。使用Dataset的__len__()来了解数据集的大小，并使用来获取每个样本。通过这种方式，Dataset提供了数据访问的接口，而DataLoader管理数据的加载、打乱和批处理等高级功能。

PyTorch：可以使用logging库或 TensorBoard 记录训练过程。TensorFlow：可以使用tf.summary和 TensorBoard 记录和可视化训练信息。通过在训练过程中添加适当的日志记录，你可以更好地监控模型的性能，调试训练过程中的问题，并记录实验结果。

基尼指数量化了一个节点中样本的不纯度。具体来说，它计算了从该节点中随机抽取两个样本，它们属于不同类别的概率。基尼指数越低，表示节点的纯度越高。

全连接被卷积覆盖，给位写论文的琢磨琢磨这些操作吧。

出现这个问题将所运行函数放到main函数中运行，不然会一直创建线程。

(花书给出了解答)一是超参数一般难以优化(无法像普通参数一样通过梯度下降的方式进行优化).二是超参数很多时候不适合在训练集上进行训练,例如,如果在训练集上训练能控制模型容量的超参数,这些超参数总会被训练成使得模型容量最大的参数(因为模型容量越大,训练误差越小),所以训练集上训练超参数的结果就是模型绝对过拟合.:从字面意思理解即为用于验证模型性能的样本集合.不同神经网络在训练集上训练结束后,通过验证集来比较判断各个模型的性能.这里的不同模型主要是指对应不同超参数的神经网络,也可以指完全不同结构的神经网络.

nn.Sequential是按照顺序存储的，一切按照顺序存储的东西，都可以按照索引取出，所以这里利用索引0取出第一层函数。是PyTorch中用于创建神经网络模型的类。它允许您将多个神经网络层（例如卷积层、池化层、激活函数等）按顺序组合在一起。可以轻松地构建复杂的神经网络结构，而无需手动连接各个层。您可以将不同的层作为。的示例，展示如何创建一个简单的卷积神经网络.的参数传递，并按照您期望的顺序排列它们。

出现这个报错的一脸懵逼，检查后发现很简单，父类的初始化函数编写问题。

调用summary方法使用导入tensorboard包，现在可以直接利用torch来导入，然而可以看到torch源文件中也是import tensorboard，所以需额外安装tensorboard。选择conda还是pip安装依据自己环境选择。

在数学上，卷积核的标准定义是两个函数在反转和移位后的乘积的积分其中，函数g一般称为，函数f指的是。在卷积神经网络里，卷积核其实就是一个过滤器，但在深度学习里，它不做反转，而是直接元素的乘法和加法，我们把这个又称为，在深度学习里称为那为什么在图像处理上，需要进行卷积处理呢。实际上是借鉴于科学家的研究结果——上个世纪科学家就发现，视觉皮层的很多神经元都有一个小的局部感受野，神经元只对有限区域的感受野上的刺激物做出反应。不同的感受野可以重叠，他们共同铺满整个视野。

分组卷积，提高并行效率