SJZSZYH的博客

Python 中有两种集合类型，一种是 set 类型的集合，另一种是 frozenset 类型的集合，它们唯一的区别是，set 类型集合可以做添加、删除元素的操作，而 forzenset 类型集合不行。sampler：自定义的采样器（shuffle=True时会构建默认的采样器，如果想使用自定义的方法需要构造一个torch.utils.data.Sampler的实例来进行采样，并设置shuffle=False，将实例作为参数传入），返回一个数据数据的下标索引。因为使用了使用ImageNet的均值和标准差。

这三行代码是深度学习中非常常见的训练迭代过程中的反向传播和参数更新操作，其中 zero_grad() 和 backward() 方法是 PyTorch 内置的自动求导功能的核心方法，而权重参数的更新则是根据梯度下降法的基本原理实现的。conv2d.weight.data[:] -= lr * conv2d.weight.grad ：根据梯度下降法的更新规则，使用学习率 lr 以及计算出的梯度值 conv2d.weight.grad，更新卷积层权重参数。如果不指定参数，默认情况下返回一个大小为1的单位矩阵。

注：本文参考李沐老师的动手学深度学习第二版，代码是教材上的，我只是调整一些参数，加一些层数看看训练效果。训练效果还是比较好的。

其中mean和std分别通过(0.5,0.5,0.5)和(0.5,0.5,0.5)进行指定。原来的0-1最小值0则变成(0-0.5)/0.5=-1，而最大值1则变成(1-0.5)/0.5=1.注：Python图像库PIL(Python Image Library)是python的第三方图像处理库，但是由于其强大的功能与众多的使用人数，几乎已经被认为是python官方图像处理库了。而后面的transform.Normalize()则把0-1变换到(-1,1).这样就把两个步骤整合到了一起。

这里是我学习李沐老师的动手学深度学习时，教材课后题的一些解答，如果有不正确的解答还请指出来。持续更新。

本文对在深度学习当中使用pytorch框架用到的一些函数的简单介绍

前言本文使用的是colab，采用pytorch框架，对应的视频教学是李沐的动手学深度学习，本文针对代码进行注释和整理笔记。