weixin_45276852的博客

reviews.points.describe() # float64数据返回的是均值，最大值等信息reviews.taster_name.describe() # object数据返回的是count、unique、top、freq等数据​describe()可以根据不同的数据类型进行返回​ 如果我们只需要特定的值也可以直接使用对应的函数reviews.points.mean() # points的均值reviews.points.median() # points的中位数。

这里只对优化器参数调整策略（Parameter Scheduler）进行简单总结，并指出一些相关常用调度器。主要是对学习率、动量等优化器相关参数的调节，可以多个一起使用，这里主要以学习率为主进行描述。关于优化算法的了解可以通过李沐的教程，调度器在李沐在线文档可以看到一些教程。

windows则在设置添加可选功能中搜索安装OpenSSH客户端与服务器我的电脑管理右键属性，将两项启动类型均设置为自动，并右键启动。

简单实现了一下AlexNet的内容，在训练过程中收集了一些对于batch_size选择的问题，一般选择在16或者32之间更好，虽然刚开始直观的认为batch_size越大学习的越好，但实际相反。经过这段时间的接触，感觉可以把深度学习比作一个人去反复阅读一本书，学习一本书，epoch代表的是阅读多少遍，而batch_size则代表一本书一页内容的多少，若是一页内容多反而学习效果不好。而不同的算法与操作就像不同的学习方法一样去学习一本书。

这里使用一个11*11的更大窗口来捕捉对象。# 同时，步幅为4，以减少输出的高度和宽度。# 输入为224，kernel_size = 11, padding =1 ,stride = 4# Wnew = (224 -11 + 2*1 )/4 + 1 = 54.75(pytorch向下取整)所以为54# 输入为54，kernel_size = 3, padding = 0 ,stride = 2。

Pytorch入门学习总结