训练模型

训练模型我们一般分为: 加载数据, 实现网络， 寻找损失函数，优化器，计算精确值，训练，在测试集上测试。

加载数据

我们使用datasets 来下载训练和测试数据集，并使用transforms来转换成tensor的结构，最后返回DataLoader的批量数据。

Pooling layer

通常当我们处理图像时，我们希望逐渐降低隐藏表示的空间分辨率、聚集信息，这样随着我们在神经网络中层叠的上升，每个神经元对其敏感的感受野（输入）就越大。

而我们的机器学习任务通常会跟全局图像的问题有关（例如，“图像是否包含一只猫呢？”），所以我们最后一层的神经元应该对整个输入的全局敏感。通...

对于彩色图像有标准的RGB通道来代表红绿和蓝。但是到目前为止，但是到目前为止，我们仅展示了单个输入和单个输出通道的简化例子。 这使得我们可以将输入、卷积核和输出看作二维张量。当我们添加通道时，我们的输入和隐藏的表示都变成了三维张量。例如，每个RGB输入图像具有3 x h x w的形状。我们将这个大小为3的轴称为通道（channel）维度。

Read More

填充和步幅

假设以下情景： 有时，在应用了连续的卷积之后，我们最终得到的输出远小于输入大小。这是由于卷积核的宽度和高度通常大于1所导致的。比如，一个240 x 240像素的图像，经过10层的5 x 5卷积后，将减少到200 x 200像素。如此一来，原始图像的边界丢失了许多有用信息。而填充是解决此问题最有效的方法； 有时，我们...