深度学习的自学笔记-2

---

学习内容：

将AlexNet转换至paddle并成功运行、学习了VGGNet并了解到感受野、将VGGNet在paddle上运行。

对整个流程的感受：

1. 加载数据集，datasets.ImageFolder函数加载数据集，再配合DataLoader可以对数据集进行打乱操作，同时得到数据集的迭代器以遍历所有的数据。
2. 实例化模型，给定对应的参数。
3. 定义损失函数，计算预测值与真实值之间的损失。
4. 定义优化器，将模型的所有可训练参数和学习率作为参数。
5. EPOCHS循环，指定迭代次数。
6. 每次循环中遍历DataLoader得到的数据。
7. 在上一个遍历中首先拿到每一个数据将输入和标签分开，再进行优化器的梯度清零，接着将输入放到模型得到输出，其次就根据定义的损失函数计算预测值和真实值之间的损失，然后对损失的反向传播，最后更新模型的权重。
8. 验证集的表现，与7类似，不同之处在于得到模型的输出后，结果softmax得到了一组概率值，需要对输出取最大值对应的索引位置值，表示模型的预测结果，谁的概率值越大，模型就预测结果为哪一类别，这里会使用到torch.max函数，得到预测结果和真实标签后就可以对模型进行相应的评价，如acc，f1_score等等。

在VGGNet中，学会了一个新操作：通过指定列表，列表中元素为卷积参数或池化标志，控制自动生成卷积层和池化层，借助于这种方法其能够做到更加动态的定义模型。

---