kanbarakun的博客

本学习笔记是根据b站up小土堆讲解内容进行的整理区分pytorch加载数据类的**dataset和dataloader。**dataloader部分是在笔记5之后增加的内容，可能涉及到部分后面的知识。这几天陆续更新一下笔记。

forward：前向传播。文档中描述，定义计算过程，应当在每个子类中都进行重写。给出一个框架，往其中添加东西即可建立一个卷积网络。本节主要了解的是这个框架。最常用模块：Module，对所有神经网络提供的基本骨架，所有的神经网络都要继承这个类。

为神经网络中引入一些非线性特征。最常见的是nn.ReLu()，nn.Sigmoid()

torchvision中的transforms，很常用，用于图片的变换。本节通过处理单张图片介绍transforms的基本使用，下节将transforms与数据集结合。

nn.Conv1d：一维卷积；nn.Conv2d：二维；nn.Conv3d：三维。以conv2d作为例子。

可以用它生成loss变化、展示transform结果。在pytorch1.1后可以在torch中使用。在探究输出时很有效，比如训练数据集时，可以直观看见中间各步骤的处理结果。安装tensorboard：pip install tensorboard。

MaxPool最大池化，有时候也被称为下采样；MaxUnpool，上采样；平均池化……

使用正则化可以加快神经网络训练速度。用得比较少，稍作了解即可。

torchvision包含许多数据集，以及一些训练好的model可用。在官网可查看。

小白了解了一下哈希表，这位大佬讲得很生动很好理解→原贴地址以及C++的map函数使用整理，参考了许多不同文章，整理了常用的部分。主要是阅读原贴链接的笔记。一.理论基础与理解1.哈希表是什么又称散列表。哈希表本质上是数组，数组内的元素通过映射函数产生相应的标号，能够直接通过标号指向需要的元素，更方便地查找元素。百度解释：散列表（Hash table，也叫哈希表），是根据键（Key）而直接访问在内存存储位置的数据结构。也就是说，它通过计算一个关于键值的函数，将所需查询的数据映射到表中一个位置来访问