weixin_52307528的博客

是 PyTorch 中用于创建张量的基本函数。：这里 H 是高度，W 是宽度，C 是颜色通道数（例如，RGB 图像有 3 个通道）。这种转换是因为 PyTorch 期望的输入张量维度顺序是通道数在前（C x H x W），而 PIL 图像和 NumPy ndarray 的默认维度顺序是高度在前（H x W x C）。：当你处理图像数据时，特别是在数据加载和预处理阶段，你需要将图像数据（无论是 PIL 图像还是 NumPy ndarray）转换为 PyTorch 张量，并准备它们以供模型训练或推理使用。

改为GPU训练，就需要改几行代码就可以；

以简单数据集CIFAR10为例，本次训练以GPU训练为例。讲解一下这三行代码的流程，首先optimizer.zero_grad() 将梯度清零，也就是每一层里的weight的grad里的参数清零，执行loss.backward()以后，grad里存储的就是反向传播的参数，optimizer.step()执行，将grad的值对参数进行更新。当你将代码块放在之下时，PyTorch会自动将该代码块中的所有操作设置为不计算梯度。

解决办法，将自己写的网络结构赋值过来，加载模型的方式仅仅加载了参数以及省略了实例化类这一步。还可以不复制 ，直接 from model_save import *以字典形式保存网络参数（官方推荐），只保存参数，不保存结构；上述代码保存模型后，加载模型时候会报错。

，将特征图的尺寸调整为7x7。这是为了确保无论输入图像的大小如何，全连接层都能接收到固定大小的输入。可以看到，最后一层的全连接层的输出是1000，那么当我们有例如十分类的问题时候，就需要对网络进行修改。每个卷积层后都紧跟一个ReLU层，用于引入非线性。：用于在每个阶段的末尾减少特征图的尺寸，这有助于减少计算量和参数数量，同时保持重要的特征信息。还有一种方式是对原有的全连接层进行修改，将1000改为10。运行上述代码，在末尾加一层线性层，也就是全连接层。：网络的前半部分主要由卷积层（）和ReLU激活函数（

【代码】pytorch学习（十一）：优化器的使用。

损失函数是衡量模型预测值与真实值之间差异的一个函数。在训练神经网络时，我们的目标是找到一组参数（如权重和偏置），使得模型的预测尽可能接近真实值，即最小化损失函数的值。不同的学习任务会使用不同的损失函数。

inplace: 是否更改传入的数据。例如 input=-1 ReLU(input,inplace=True) 此时，input的值变为0， input=-1 output=ReLU(input,inplace=False) 此时，input的值依然为-1,output的值为0.

在池化层中，假设kernel_size=3,也就是3*3的大小，但是原始图片为5*5，这样在进行第二次池化的时候，窗口里只有6个元素了，不够3*3了，这样会根据ceil_mode是floor和Ceiling模式来进行保留或者舍去。解释一下卷积层和池化层的区别：卷积的作用是提取图像特征，池化的作用是保留边缘特征，减少参数，池化分为最大池化（保留边缘特征）、平均池化（保留背景特征）。stride：窗口的步长，默认值是kernel_size的值。dilation：如下图，控制窗口内内元素之间的距离。

s=1。

forward函数在任何子类中都需要重写！

遇见问题：writer.add_image()报错。报错原因：应该都是write.add_images()dataloader：加载器，把数据加载到神经网络当中。从dataset中取数据。write.add_images() 是添加多张图片。dataset：读取数据。

【代码】pytorch学习（3）：torchvision中的数据集的使用。

作用：将特定的图片通过transforms工具处理，得到我们想要的结果。原因：在PyTorch的模块中，ToTensor是一个用于图像预处理的类，而不是一个函数。因此，你不能直接调用来转换图像，因为这不是这个类设计的使用方式。ToTensor类是用来创建一个预处理对象的，该对象可以被调用以将PIL图像或NumPy ndarray转换为PyTorch张量（tensor）。ToTensor遇见小错误：tensorboard无法显示图片，原因：忘记 writer.close()在Python的类中，

注意问题：pillow的版本要求在10.0以下，否则会如下报错：module 'PIL.Image' has no attribute 'ANTIALIAS'简单画一个y=x图像模拟模型训练时候的损失函数的图像。在终端输入下方指令，点击连接即可查看图像。安装后，就可以使用tensorboard；