Torch7入门续集（三）----Simple Layers的妙用

总说

先看一段代码，一般来说传入VGG的数据要先经过预处理，无非是先将BGR变成RGB，然后减去整个训练集的平均RGB值。写的最精简的可能是下面这样写。

function preprocess(img)
    local mean_pixel = torch.FloatTensor({
  103.939, 116.779, 123.68}):type(img:type())
    local perm = torch.LongTensor{
  3, 2, 1}
    img = img:index(1, perm):mul(255.0)
    mean_pixel = mean_pixel:view(3, 1, 1):expandAs(img)
    img:add(-1, mean_pixel)
    return img
end

然而。。请看下面的这种写法：

function getPreprocessConv()
    local mean_pixel = torch.Tensor({
  103.939, 116.779, 123.68})
    local conv = nn.SpatialConvolution(3,3, 1,1)
    conv.weight:zero()
    conv.weight[{
  1,3}] = 255
    conv.weight[{
  2,2}] = 255
    conv.weight[{
  3,1}] = 255
    conv.bias = -mean_pixel
    conv.gradBias = nil
    conv.gradWeight = nil
    conv.parameters = function() --[[nop]] end
    conv.accGradParameters = function() --[[nop]] end
    return conv
end

没错，直接用内置的卷积层进行操作！这启发我们一件事情：很多常见操作，我们都可以用内置的已有的各种层进行！而不是自己单独写，这就相当于nn层式编码！。。自创的词，大概知道就行。
Simple Layers就是一些常见的层操作，利用这些函数可以便捷的在某层后面加入各种操作层，这些操作层可以直接进行反向传播。

Simple Layers主要分为4个部分：
带参的Module—-> 基本Tensor变换——->数学Tensor运算——>其他Module
前面两篇写的就是Tensor和Math的，而在这里第二三正是利用这些简单层来替代Tensor变换和Math操作。

Parameterized Modules

1. Linear
2. Bilinear
3. Dropout
4. Abs
5. Add
6. CAdd
7. Mul
8. CMul
9. Euclidean
10. WeightedEuclidean
11. Cosine

从名字就可以大概看出这些层的作用，比如Linear就是全连接层。Bilinear就是进行双线性插值。

Dropout

module= nn.Dropout(p)
训练前向：使得输入每个值按照p的概率丢弃，即使得该位置的值为0。同时输出大小的值被放大1/(1-p)，主要是用来进行正规化的。
训练反向：被前向丢弃的位置仍旧为0，gradOutput和input都被放大1/(1-p)倍。