(相关资料图)

深度学习--魔法类nn.Module作用pytorch 封装了一些基本的网络类，可以直接调用好处：可以直接调用现有的类容器机制：self.net = nn.Sequential()参数返回：list(net.parameters())[0].shape #返回对应的参数的shapelist(net.named_parameters())[0] #返回对应的参数dict(net.named_parameters()).items()# 返回所有的参数模型modules：children（这个没太懂）to(device):选择运行设备save and load :net.load_state_dict(torch.load("ckpt.mdl"))net.save(net.state_dict(),"ckpt.mdl")train/test的行为切换，net.train() 训练 net.eval()测试实现我们自己的类：self.w = nn.Parameter(torch.randn(outp,inp),requires_grad = True)

import torchimport torch.nn as nn#继承nn.Module来实现自己的模型class MyLinear(nn.Module):        def __init__(self, inp, outp):        super(MyLinear,self).__init__()                # requires_grad = True        self.w = nn.Parameter(torch.randn(outp,inp))        self.b = nn.Parameter(torch.randn(outp))            def forward(self,x):        x = x @ self.w.t() +self.b        return x

图像增强操作

数据增强：低网络容量、regularization规范化、Data argumentation数据推论data argumentation的手段：

Flip ：翻转

Rotate：旋转

Random Move & Crop：随机移动，裁剪，加noise 高斯噪声

GAN：生成对抗网络