w1101662433的博客

ResNet是一次CNN网络架构，核心思想是引入"残差学习"来解决深层网络难以训练的问题。在传统的网络中，每一层都直接尝试学习目标映射。相反，ResNet通过跨层连接，允许某一层学习输入与输出之间的残差（或者说是差异），使得这些网络层只需要学习与输入的微小差异，从而简化了学习目标和过程。插眼传送注意：了解数据集是机器学习的所有环节中最重要的一步，没有之一。

GoogleNet, 也称为，是一种深度卷积神经网络（CNN）结构，最初由Google的研究人员在2014年设计并在ILSVRC竞赛中取得优异成绩。GoogleNet在准确度和计算效率之间达到了较好的平衡，其独特的“Inception模块”是其核心创新。尤其在图像识别视频分析和计算机视觉等领域取得了突出的应用成果。插眼传送注意：了解数据集是机器学习的所有环节中最重要的一步，没有之一。# 定义一个基本的卷积+批归一化+ReLU激活函数层# 定义Inception模块# 实现GoogleNet模型。

插眼传送注意：了解数据集是机器学习的所有环节中最重要的一步，没有之一。return x这个模型是使用PyTorch框架实现的一个简单的卷积神经网络（CNN）。它继承自，其中定义了网络的架构和前向传播的流程。下面我来逐行进行分析。__init__调用父类的构造函数，必须在开始执行子类构造函数逻辑之前完成。self.bn定义了一个Batch Normalization层，用于正则化处理，这里针对的是2D数据，通常应用于卷积层之后，全连接层之前。self.conv1定义了第一个卷积层，输入通道。

插眼传送注意：了解数据集是机器学习的所有环节中最重要的一步，没有之一。# 设置随机种子，确保实验可重复性# 初始化一个模型，输入特征为784，输出特征为10# 使用负对数似然损失函数# 初始化SGD优化器，设定学习率为0.01，动量为0.8。

FashionMNIST数据集，是一款作为经典的MNIST数据集的现代替代品的数据集，用来做衣物分类问题，由Zalando（一家德国的在线时尚零售商）发布。该数据集含有10种类别，共70000个灰度图像。包含60000个训练集样本， 和10000个测试集样本。每张图像以28x28像素的分辨率提供。

"""in_feature: 输入层神经元个数out_feature: 输出层神经元个数"""：第一个线性层，输入特征数为in_feature，输出特征数为13。它是完全连接的，意味着每个输入神经元与输出层的每个神经元都相连。：第二个线性层，输入特征数为13，输出特征数为8。：输出层，输入特征数为8，输出特征数为，这里是3，对应于最终分类的类别数。

此外，由于PyTorch的灵活性，我们可以轻松扩展单层网络到多层网络，并探索不同类型的神经网络架构，如卷积神经网络(CNN)、循环神经网络(RNN)和变换器(Transformer)等，来解决更复杂的问题。在真实应用中，我们会对这个网络进行训练，也就是不断调整权重（model.weight）和偏置（model.bias），使得网络的预测值与真实值之间的误差越来越小。此外，我们也可以查看到网络中的权重和偏置值是如何初始化并参与到正向传播中的。在我们的案例中，我们将创建一个将二维输入映射到一维输出的线性层。

在深度学习中，张量是数据的基本单位。PyTorch 提供了一系列强大的张量操作，让我们在构建神经网络时能够更加轻松地进行数据处理和转换。本文将介绍一些常用的张量索引、调整形状与合并操作，并展示如何在 PyTorch 中应用这些技巧。

PyTorch是一个用于深度学习研究和实现的开源库，它提供了一种高度灵活的张量操作方式。以下内容介绍了基本的PyTorch功能，包括张量创建和操作。