weixin_50765519的博客

Conv2d(3, 32, 5, padding=2), # 第一次卷积MaxPool2d(2), # 第一次最大池化Conv2d(32, 32, 5, padding=2), # 第二次卷积MaxPool2d(2), # 第二次最大池化Conv2d(32, 64, 5, padding=2), # 第三次卷积MaxPool2d(2), # 第三次最大池化Flatten(), # 展平层Linear(1024, 64), # 第一个全连接层Linear(64, 10), # 第二个全连接层。

优化器正则化在深度学习中扮演着重要角色，可以有效防止模型过拟合。L2正则化是最常用的方法，通过在损失函数中添加权重参数平方和的惩罚项，使权重参数保持较小值。L1正则化则通过惩罚权重参数的绝对值和，实现特征选择。选择合适的正则化方法和正则化系数，可以显著提升模型的性能。

结合之前的知识，构建一个简单的CNN模型来分类CIFAR-10数据集中的图像。输入和目标张量分别是。

self.linear1 = nn.Linear(196608, 10) # 定义一个线性层output = self.linear1(input) # 前向传播：定义一个线性层，输入维度为196608，输出维度为10。self.relu = nn.ReLU() # 定义ReLU激活函数output = self.relu(output) # 应用激活函数nn.ReLU()：定义ReLU激活函数。将线性层的输出通过ReLU激活函数，增加非线性。线性层和非线性层是神经网络的基本构件。

Conv2d是深度学习框架中用于执行二维卷积操作的函数或类。它接受输入数据(通常是图像)和卷积核作为参数，输出卷积特征图。这些特征图可以进一步用于分类、检测或其他计算机视觉任务。TensorBoard是一个强大的可视化工具，用于展示深度学习模型的各个方面。它可以展示模型的网络结构、参数分布、训练曲线以及图像、音频等媒体数据。通过使用TensorBoard，能够让研究人员和开发者可以更好地理解和调试模型，从而提高模型的性能和效果。

卷积操作是一种数学运算，它涉及两个函数：输入函数（通常是图像）和卷积核（也称为滤波器或特征检测器）。卷积核在输入函数上滑动，将核中的每个元素与其覆盖的输入函数区域中的对应元素相乘，然后将所有乘积相加，形成输出函数的一个值。这个过程在整个输入函数上重复，生成一个新的二维数组，称为特征图或激活图。卷积操作的主要目的是从输入数据中提取特征。通过改变卷积核的值，可以检测不同类型的特征，如边缘、角点、纹理等。

Torchvision是Pytorch中一个开源的机器学习框架，专门为计算机视觉任务设计和优化。它提供了多种功能来支持计算机视觉项目的开发和实验。matplotlib。

在PyTorch中，Transforms是一个用于图像处理的工具包，它是torchvision模块下的一个类的集合。这些类提供了丰富的功能，可以对图像或数据进行格式变换、裁剪、缩放、旋转等操作。在进行深度学习项目时，特别是在图像处理任务中，Transforms的使用非常广泛。下面结合着小土堆pytorch的课程和自己的理解，进行一些实际使用。

神经网络在人工智能和深度学习的领域，一般称为人工神经网络，即ANN(Artificial Neural Network)，是一种模仿人脑神经系统工作方式的计算模型。被广泛应用于人工智能、自动控制、机器人、统计学等领域的信息处理中。

TensorBoard是TensorFlow的可视化工具，但它也可以与PyTorch结合使用。TensorBoard提供了一个Web界面，可以展示你训练过程中的各种信息，如损失值、准确度、权重分布等，更好地帮助开发者理解和调试模型。hl=zh-cn。

最近在跟着小土堆pytorch的视频跟着学习python，根据自己的理解和课程上面的知识，写了这一篇学习笔记。

Anacodna必备（工具包里面都包含的有，集成与运用科学分析的软件，比较方便）安装完成，点击所示位置，出现(base)..表示安装成功。