第P2周：彩色图片识别代码学习

• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍦  参考文章：365天深度学习训练营-第11周：优化器对比实验（训练营内部成员可读）
• 🍖 原作者：K同学啊|接辅导、项目定制

P2打卡

一．前期准备

前面gpu设置和数据导入部分和p1打卡内容一致，数据由torchvision.dataset导入，

但是这次学习的时候注意到torch.size的shape的参数是batch_size, channel, height, weight。其中channel是神经网络的通道，一般的RGB图片，channels数量是 3 （RGB）；而monochrome图片，channels数量是 1。所以p2相对于p1是增加了通道数量。

此外在p1打卡用mac air导入的基础上还出现了以下错误：

urllib.error.URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed: un

SSL是一种安全套接层协议，是Web浏览器与Web服务器之间安全交换信息的协议，提供两个基本的安全服务：鉴别与保密。经过查询，以下代码可以解决，

# 全局取消证书验证

import ssl

ssl._create_default_https_context = ssl._create_unverified_context

以下是使用dataloader加载数据输出结果：

第一次运行：

第二次运行：

二．构建简单的CNN网络

教案详细介绍了torch.nn.Conv2d()、torch.nn.Linear()、torch.nn.MaxPool2d()函数，以及卷积层和池化层的具体计算。

P1打卡内容已经简单学过了，并且用mnist数据进行了演练，p2具体介绍了不同函数的关键参数。

函数1:torch.nn.Conv2d

这里就总结一下相对p1的延伸之处，增加了步幅，padding，dilation的理解。

其中dilation：

函数2:torch.nn.Linear:

In_feartures：每个输入样本的大小

Outfeatures：每个输出样本的大小

我总结为特征提取，以p1为例：输入样本为5*5*64/

函数3:torch.nn.MaxPool2d

4关于卷积层和池化层的计算。

学习到经过卷积层和池化层后，各个参数如卷机核大小和池化核大小对数据shape的影响。

中间有个注意点，就是经过卷积层减2是因为卷积核是3*3，从左到右步长为1时，就会减掉（卷积核-1）。

以下是加载打印模型的输出结果：

三．训练模型

P1已弄懂

以下是训练结果：