深度学习计算
层和块
单个神经元：（1）接受一些输入；（2）生成相应的标量输出；（3）具有一组相关 参数（parameters）。
层：（1）接受一组输入，（2）生成相应的输出，（3）由一组可调整参数描述。
自定义块
每个块必须提供的基本功能：
1.将输入数据作为其正向传播函数的参数。
2.通过正向传播函数来生成输出。请注意，输出的形状可能与输入的形状不同。例如，我们上面模型中的第一个全连接的层接收任意维的输入，但是返回一个维度256的输出。
3.计算其输出关于输入的梯度，可通过其反向传播函数进行访问。通常这是自动发生的。
4.存储和访问正向传播计算所需的参数。
5.根据需要初始化模型参数。
顺序块
需要定义两个关键函数： 1. 一种将块逐个追加到列表中的函数。 2. 一种正向传播函数，用于将输入按追加块的顺序传递给块组成的“链条”。
在正向传播函数中执行代码
到目前为止，我们网络中的所有操作都对网络的激活值及网络的参数起作用。然而，有时我们可能希望合并既不是上一层的结果也不是可更新参数的项。我们称之为常数参数（constant parameters）。
参数管理
选择了架构并设置了超参数之后，我们就进入了训练阶段。此时，我们的目标是找到使损失函数最小化的参数值。经过训练后，我们将需要使用这些参数来做出未来的预测。大多数情况下，我们可以忽略声明和操作参数的具体细节，而只依靠深度学习框架来完成繁重的工作。然而，当我们离开具有标准层的层叠架构时，我们有时会陷入声明和操作参数的麻烦中。
参数管理主要介绍：
1.访问参数，用于调试、诊断和可视化。
2.参数初始化。
3.在不同模型组件间共享参数。
参数访问
目标参数
每个参数都表示为参数（parameter）类的一个实例。要对参数执行任何操作，首先我们需要访问底层的数值。
参数是复合的对象，包含值、梯度和额外信息。除了值之外，我们还可以访问每个参数的梯度。
一次性访问所有参数
当我们处理更复杂的块（例如，嵌套块）时，需要递归整个树来提取每个子块的参数。同时，这为我们提供了另一种访问网络参数的方式。
从嵌套块收集参数
定义一个生成块的函数（可以说是块工厂），然后将这些块组合到更大的块中。因为层是分层嵌套的，所以我们也可以像通过嵌套列表索引一样访问它们。
参数初始化
默认情况下，PyTorch会根据一个范围均匀地初始化权重和偏置矩阵，这个范围是根据输入和输出维度计算出的。PyTorch的nn.init模块提供了多种预置初始化方法。
内置初始化
首先调用内置的初始化器；还可以将所有参数初始化为给定的常数（比如1）；还可以对某些块应用不同的初始化方法。
自定义初始化
若深度学习框架没有提供我们需要的初始化方法，我们使用以下的分布为任意权重参数ω定义初始化方法：
1.实现了一个my_init函数来应用到net
2.可以直接设置参数
参数绑定
目的：在多个层间共享参数。
参数绑定的层：不仅值相等，而且由相同的张量表示。因此，如果我们其中一个参数会随另一个参数的改变而改变。
梯度变化情况：当参数绑定时，由于模型参数包含梯度，因此在反向传播期间参数绑定的层的梯度会加在一起。
自定义层
不带参数的层
要构建不带参数的层，我们只需继承基础层类并实现正向传播功能。
带参数的层
我们可以使用内置函数来创建参数，这些函数提供一些基本的管理功能。比如管理访问、初始化、共享、保存和加载模型参数。这样做的好处之一是，我们不需要为每个自定义层编写自定义序列化程序。
读写文件
加载和保存张量
对于单个张量，我们可以直接调用load和save函数分别读写它们。这两个函数都要求我们提供一个名称，save要求将要保存的变量作为输入。
1.可以将存储在文件中的数据读回内存。
2.可以存储一个张量列表，然后把它们读回内存。
3.可以写入或读取从字符串映射到张量的字典。当我们要读取或写入模型中的所有权重时，这很方便。
加载和保存模型参数
深度学习框架提供了内置函数来保存和加载整个网络。需要注意一点，这将保存模型的参数而不是保存整个模型。
卷积神经网络
从全连接层到卷积
全连接层
总结
图像卷积
代码实现
互相关运算
注：X：输入 K：核矩阵 h、w： 行数列数
Y（输出）：输入的高-核的高度+1，输入的宽度-核的宽度+1
for for遍历所有输出元素
验证上述二维互相关运算的输出
实现二维卷积层
卷积层的简单应用：检测图像中不同颜色的边缘
卷积核K只能检测垂直边缘
学习由X生成Y的卷积核
注：输入输出均为1
Reshape增加两个维度：通道数，批量大小数，均为1
L：loss
访问Weight.data操作：inplace操作？
所学的卷积核的权重张量
填充和步幅
代码实现
填充(在所有侧边填充1个像素)
注：定义一个函数
在维度前面加入通道数、批量大小数
调用conv2d函数
四维拿掉前两维得到矩阵的输出
填充不同的高度和宽度
注：Padding（填充）行数2 列数1
输出输入还一样88*
将高度和宽度步幅设置为2
注：stride(步幅)=2
输出44 减半*
复杂例子
QA
1.超参数重要程度：核大小最重要，其次填充，步幅；
2.卷积核3*3居多；
3.多个输入和输出通道，重要超参数：通道数。
多输入多输出通道
变化：卷积核多了Co(output)。
代码实现
实现多通入通道互相关运算
注：X、K都是3d，zip起来，for拿出对应输入通道的小矩阵，做互相关运算，然后求和。
验证互相关运算的输出
计算多通道的输出的互相关函数
1*1卷积
池化层
代码实现
实现池化层的正向传播
验证二维最大汇聚层的输出
验证平均汇聚层
填充和步幅
深度学习框架中的步幅与池化窗口的大小相同
填充和步幅可以手动设定
可以设定一个任意大小的矩形池化窗口，并分别设定填充和步幅的高度和宽度
池化层在每个输入通道上单独运算
LeNet
代码实现
LeNet（LeNet-5）由两个部分组成： * 卷积编码器：由两个卷积层组成; * 全连接层密集块：由三个全连接层组成。
注：Reshape() 批量数不变 通道数变成1 2828
卷积层nn.Conv2d(输入1，输出6，kernel55，填充2) 加入nn.Sigmoid()激活函数
均值池化层 nn.AvgPool2d(kernel22 步幅2)
卷积层 nn.Conv2d(输入6，输出16，kernel55) 加入nn.Sigmoid()激活函数
均值池化层 nn.AvgPool2d(kernel22 步幅2) nn.Flatten():第一位批量保持，后面拉成一样的维度
nn.Linear(1655,120) nn.Sigmoid()
nn.Linear(120,84) nn.Sigmoid()
nn.Linear(84,10)*
检查模型
注：第一组卷积＋池化+激活
卷积： 12828->62828 通道数变为6，高宽不变
Sigmoid： 62828
平均池化：62828->61414 通道数不变，高宽变了
第二组卷积＋池化+激活
卷积： 61414->161010 通道数变为16，高宽变为1010
Sigmoid： 161010
平均池化：161010->1655 通道数不变，高宽变了
Flatten：1400 拉直变成MLP
Liner+Sigmoid：1120
Liner+Sigmoid：184
Liner：110*
LeNet在Fashion-MNIST数据集上的表现
对 evaluate_accuracy函数进行轻微的修改
训练和评估LeNet-5模型
猫狗大战
GPU
下载解压数据集到当前目录
图片处理
拼接路径
报错…
未完待续…