池化类似压缩

最大池化-上采样

例如给一个3的话就会生成一个3×3的窗口（生成相同的高和宽），给一个tuple就会给出一个相同的池化核。stride默认值就是核的大小

dilation

在卷积dialation设置之后每一个会和另外的差一个，空洞卷积

ceil floor 模式（天花板、地板）

floor就是向下取整。

按下面的方法走，走的步数默认为核的大小

取9个里面的最大值，走到右一图，这种情况只能覆盖6个，其他没有数字，在这种情况下要不要取6个数的最大值，还是直接放弃这6个数，就看ceil mode模式了！如果是ceil下，就要保留这6个数。

非线性激活

ReLu、sigmoid

以ReLu、sigmoid为例

注意输入输入的batch_size后面不做一个限制

1.数据预处理，定义输入，并变换输入形状。

首先，套路先引入torch，然后定义一个input，如下

input = torch.tensor([[1, -0.5],
[-1, 3]])
#“-1”表示batchsize任意电脑给，1代表一维的，
output = torch.reshape(input, (-1, 1, 2, 2))

input = torch.tensor([[1, -0.5],[-1, 3]])
#“-1”表示batchsize任意电脑给，1代表一维的，
output = torch.reshape(input, (-1, 1, 2, 2))

这边要解释一下reshape之后的目标形状，经过reshape之后，输入的形状会变成(2, 1, 2, 2)，这是这是为了适应卷积神经网络的输入格式[batch_size, channels, height, width]

2.搭建神经网络

class Tudui(nn.Module):def __init__(self):super(Tudui, self).__init__()#什么叫inplaceself.relu1 = ReLU()

这边要先暂停注意一下ReLU的输入中的inplace：替换，在不在原来的地方进行替换

引用传递和值传递的区别

例如当：

对原来的变量直接进行变换，结果的替换

Input = -1
ReLU(input, inplace=True)
Input = 0

 不替换，新的变换值会返回成一个Output，一般情况下采用下面这种方式，防止原始数据的丢失

Input = -1
ReLU(input, inplace=Flase)
Input = -1
Output = 0

 紧接神经网络完整的代码如下：

class Tudui(nn.Module):def __init__(self):super(Tudui, self).__init__()#什么叫inplaceself.relu1 = ReLU()def forward(self,input):output = self.relu1(input)return output
tudui =  Tudui()
output = tudui(input)
print(output)

紧接着看sigmoid对图像的影响

归一化层，Recurrent层，Transformer 层，线性层

1.normalization是归一化，regularization是正则化

2.线性层

3.dropout层（主要是防止过拟合用的）

按p的概率将一些输入元素随机变成0

4.Embedding层（稀疏层）

重点学习一下线性层

X1到g1会有一个映射管线K1*x1+b（偏置权重）

学习一下VGG16网络

1*1*4090 -1*1*1000

任务

引入展平函数