程序处理中的问题

argparse基本用法

命令行参数解析包，可以用来方便地读取命令行参数

参考：argparse基本用法_骑着蜗牛向前跑的博客-CSDN博客_argparse

Visdom

一款可视化工具，实质是一款在网页端的web服务器，在处理图像数据时，可以使用visdom对图像进行可视化

可以对损失等数据进行监听

参考：详解PyTorch可视化工具visdom（一）_奋斗の博客的博客-CSDN博客_visdom

           深度学习可视化工具visdom使用_点亮～黑夜的博客-CSDN博客_visdom

BatchNorm2d

 Batch Normalization的目的是使我们的一批（Batch）feature map满足均值为0，方差为1的分布规律 

BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)

1.num_features：一般输入参数的shape为batch_size*num_features*height*width，即为其中特征的数量，即为输入BN层的通道数；
2.eps：分母中添加的一个值，目的是为了计算的稳定性，默认为：1e-5,避免分母为0；
3.momentum：一个用于运行过程中均值和方差的一个估计参数（我的理解是一个稳定系数，类似于SGD中的momentum的系数）；
4.affine：当设为true时，会给定可以学习的系数矩阵gamma和beta
一般来说pytorch中的模型都是继承nn.Module类的，都有一个属性trainning指定是否是训练状态，训练状态与否将会影响到某些层的参数是否是固定的，比如BN层或者Dropout层。通常用model.train()指定当前模型model为训练状态,model.eval()指定当前模型为测试状态。
同时，BN的API中有几个参数需要比较关心的，一个是affine指定是否需要仿射，还有个是track_running_stats指定是否跟踪当前batch的统计特性。容易出现问题也正好是这三个参数：trainning，affine，track_running_stats。
参考原文：BatchNorm2d原理、作用及其pytorch中BatchNorm2d函数的参数讲解_LS_learner的博客-CSDN博客

数据集 

训练集

        用于训练模型（拟合参数），即模型拟合的数据样本集合，如通过训练拟合一些参数来建立一个分类器

验证集

        用于确定网络结构或者控制模型复杂度的超参数（拟合超参数），模型训练过程中单独留出的样本集，它可以用于调整模型的超参数和用于对模型的能力进行初步评估。 通常用来在模型迭代训练时，用以验证当前模型泛化能力（准确率，召回率等），防止过拟合的现象出现，以决定如何调整超参数。

测试集 

        用来评估模最终模型的性能如何（评价模型好坏）：测试集没有参于训练，主要是测试训练好的模型的准确能力等

总结；在训练过程中可以有训练集（参数），验证集（超参数）；验证集并不是所有的模型都会使用；测试集（评估）；整体分为用于训练的和用于测试的

参考：机器学习笔记：训练集、验证集与测试集_训练集 测试集 验证集_mooyuan天天的博客-CSDN博客