神经网络pytorch阅读笔记（一）

学习内容：

一、 parser = argparse.ArgumentParser()

parser.add_argument("--n_epochs", type=int, default=200, help="number of epochs of training")

加入类似以上形式的代码，是对在parser中增添参数
在后面可以直接使用，如同一个类增加的属性一样

img_shape = (opt.channels, opt.img_size, opt.img_size)

channel是指图像的通道数，1是灰度，3是彩（RGB），网上有说4的是增加了一个透明度

二、def init(self):

类的初始化
python中的super( test, self).init()
就是将test的父类设为fa，然后将self转化成fa，接着调用fa的__init__()函数进行初始化

三、python基本语法小点

(), [], {}的区别

我们经常看到代码中会有这几个东西包住一些语句

1. Python中的()：
   代表tuple元祖数据类型，元祖是一种不可变序列。
2. Python中的中括号[]：
   代表list列表数据类型，列表是一种可变序列。
3. Python中的花括号{}：
   代表字典数据类型，字典是Python中唯一内建的映射类型。字典中的值没有特殊的顺序，但都是存储在一个特定的键（key）下。键可以是数字、字符串甚至是元祖。
   我个人认为就是set集合

四、nn.BatchNorm1d()

批归一化–BN
详细了解见论文《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》
目标是
为了解决内部协变量偏移问题，就要使得每一个神经层的输入的分布在训练过程要保持一致。
为 了降低分布变化的影响，可使用归一化策略Normalization，把数据分布映射到一个确定的区间。

torch.nn.BatchNorm1d(num_features, eps=, momentum=)

num_features – 特征维度
eps – 为数值稳定性而加到分母上的值。
momentum – 移动平均的动量值

五、n.LeakyReLU(0.2, inplace=True)

激活函数
见两篇介绍，分别介绍激活函数和inplace的作用
PyTorch中网络里面的inplace=True字段的意思
LeakyReLU函数解析

六、img = img.view(img.size(0), *img_shape)

view() 函数
pytorch是在forward中声明的。 相当于reshape

---

这就才看完第一个类Generator，看上去就是搭建网络，然后中间有几层，参数都在代码里，可以当做一个模板