深度学习-9.20（仅自己学习使用）

​​​torch.nn.Conv2d()函数详解

参数详解：

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

torch.einsum()函数详解

没太看懂

nn.ReLU（）函数

参考博客：MindSpore算子笔记--nn.ReLU_HUAWEIZHIZHE的博客-CSDN博客_relu算子

关于nn.ReLU函数_开飞机的小毛驴儿的博客-CSDN博客_nn.relu

pytorch中nn.Sequential和nn.Module区别与选择

参考博客：pytorch中nn.Sequential和nn.Module区别与选择_小小麦田mll的博客-CSDN博客

model.eval()函数

参考博客：Pytorch中model.eval()的作用分析_Codefmeister的博客-CSDN博客_model.eval()作用

python中view函数_pytorch中的view函数和max函数

参考博客：python中view函数_pytorch中的view函数和max函数_子文一点点的博客-CSDN博客

pytorch.max()的详细解释_可大侠的博客-CSDN博客_pytorch中的max

pytorch中repeat()函数理解

参考博客：pytorch中repeat()函数理解_tequila53的博客-CSDN博客_pytorch repeat

pandas.get_dummies 的用法

参考博客：pandas.get_dummies 的用法_魔术师_的博客-CSDN博客_pandas.get_dummies

ndarray 切片

参考博客：05 ndarray 切片_库伯的博客-CSDN博客_ndarray切片

函数：seq_label_smoothing(labels, max_step=10):  理解

参考博客优化策略5 Label Smoothing Regularization_LSR原理分析_lqfarmer的博客-CSDN博客

 代码理解：是一种通过在输出y中添加噪声，实现对模型进行约束，降低模型过拟合（overfitting）程度的一种约束方法（regularization methed）。

讲解：

 

 GCN代码网络解读

    def __init__(self, in_channels, out_channels, kernel_size,
                 t_kernel_size=1,
                 t_stride=1,
                 t_padding=0,
                 t_dilation=1,
                 bias=True):
        super().__init__()

        self.kernel_size = kernel_size
        self.conv = nn.Conv2d(in_channels,
                              out_channels * kernel_size,
                              kernel_size=(t_kernel_size, 1),
                              padding=(t_padding, 0),
                              stride=(t_stride, 1),
                              dilation=(t_dilation, 1),
                              bias=bias)

    def forward(self, x, A):
        x = self.conv(x)
        n, kc, t, v = x.size()
        x = x.view(n, self.kernel_size, kc//self.kernel_size, t, v)
        x = torch.einsum('nkctv,kvw->nctw', (x, A))

        return x.contiguous()

现在，我们可以写出带有 kk 个卷积核的图卷积表达式了：

                         

表达式可以用爱因斯坦求和约定表示nkctv,kvw->nctv。

其中

• n 表示所有视频中的人数（batch * man）
• k 表示卷积核数（使用上面的分解方法 k=3）
• c 表示关节特征数（64 ... 128）
• t 表示关键帧数（150 ... 38）
• v 和 w 表示关节数（使用 OpenPose 的话有 18 个节点）

对 v 求和代表了节点的加权平均，对 k 求和代表了不同卷积核 feature map 的加权平均。

模型评估——混淆矩阵confusion_matrix

参考博客：模型评估——混淆矩阵confusion_matrix_abc123mma的博客-CSDN博客_confusion_matrix()

 Sklearn的train_test_split用法

参考博客：Sklearn的train_test_split用法_fxlou的博客-CSDN博客_sklearn train_test_split