神经网络pytorch阅读笔记（二）

学习内容：

一、 self.label_emb=nn.Embedding(opt.n_classes, opt.n_classes)

self.label_emb = nn.Embedding(opt.n_classes, opt.n_classes)

主要关注的就是前面两个参数，其他一堆的参数一般省略，用到时再去搜索
主要是把前面的参数当成一个字典，从字典中取出后一个参数的数目的数据

例如：
embedding = nn.Embedding(5, 4) # 假定字典中只有5个词，词向量维度为4
nn.Embedding
通俗讲解pytorch中nn.Embedding原理及使用

二、np.prod()

用来计算所有元素的乘积，对于有多个维度的数组可以指定轴，如axis=1指定计算每一行的乘积

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

上一期的用这个可以很完美的理解

四、torch.cat((self.label_emb(labels), noise), -1)

较为详细的解释
可以将图像与文本合并共同学习的生成网络+pytorch代码实现及代码详解

五、optim.Adam()参数说明

optim.Adam(params, lr=0.001, betas=(0.9, 0.999), eps=1e-08, weight_decay=0)

params:是待优化的参数，一般为网络的权重；

lr是学习率，可不指定，默认值是0.001；

betas：用于计算梯度以及梯度平方的运行平均值的系数，可不指定，默认值(0.9, 0.999)；

eps:为了增加数值计算的稳定性而加到分母里的项，可不指定，默认值1e-08；

一些基础知识

（1） nn.Linear(in_feat, out_feat)

一层线性的神经网络，输入和输出的维度

（2） nn.Sequential()

torch.nn.Sequential是一个Sequential容器，模块将按照构造函数中传递的顺序添加到模块中。另外，也可以传入一个有序模块。
快速构造网络

（3） nn.Tanh()

Tanh(x)=tanh(x)=exp(x)+exp(−x)exp(x)−exp(−x)

>>> m = nn.Tanh()
>>> input = torch.randn(2)
>>> output = m(input)

图取自百度

#### （4） enumerate

b = [1,2,3,4,5,6]
for i , item in enumerate(b):
    print(i, item)

输出是i为 0 1 2 3 4 5，i是下标，而item就是内容