o960604的博客

  torch.optim是一个实现了多种优化算法的包，大多数通用的方法都已支持，提供了丰富的接口调用，未来更多精炼的优化算法也将整合进来。  为了使用torch.optim，需先构造一个优化器对象Optimizer，用来保存当前的状态，并能够根据计算得到的梯度来更新参数。  要构建一个优化器optimizer，你必须给它一个可进行迭代优化的包含了所有参数（所有的参数必须是变量s）的列表。 然后，您可以指定程序优化特定的选项，例如学习速率，权重衰减等。g_optimizer = optim.Adam(

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")  这段代码一般写在读取数据之前，torch.device代表将torch.Tensor分配到的设备的对象。torch.device包含一个设备类型（‘cpu’或‘cuda’）和可选的设备序号。如果设备序号不存在，则为当前设备。如：torch.Tensor用设备构建‘cuda’的结果等同于‘cuda：X’，其中X是torch.cuda.current_device

nn.ReLU与nn.LeakyReLU的区别因为之前从未接触过这方面，直接接手GAN，有点吃力，如有明显漏洞，请指正，我会感激不尽。昨晚查阅了ReLU的含义，结果今天发现高老师给的代码中又有一个LeakyReLU，所以今天这个小白贴来对比下两者：下图是ReLU、Leaky ReLU、PReLU和RReLU的比较：ReLU是将所有的负值都设为零，相反，Leaky ReLU是给所有负值赋予一个非零斜率。可以看到，ReLU函数即小于0的就等于0,大于0的就等于原函数.=max(0,x)=Leaky