卷积层：

 两个输出的情况 就会有两个通道 可以改变通道数的

最简单的神经网络结构：

nn.Mudule就是继承父类

super执行的是 先执行父类函数里面的

forward执行的就是前向网络，就是往前推进的，当然也有反向转播，那就是用来就gradient dicent了，求导计算了。

卷积后的结果展示：

这里有个小细节

224 *244输出 224 *224 肯定是加了padding的，如何算出这个padding 官网给了公式

这个一般用不到，写论文科研可以再去官网查看

下面介绍池化层

mxpool是下采样，mxunpool是上采样，dilation是空洞卷积，ceil——mode来保留，用来对应下面情况

最大池化操作，这里有一点要注意，stride（每次核移动的步进）默认为卷积核一样大小

 池化的直观感受就是变模糊了，保留了数据的主要特征，减小了数据量。

下面介绍非线性：

inplace如果是1的话就是替换input，如果是flase的话，就是把输出用另一个变量来承接

一般来说是要false的，保留以前的数据嘛

下面是使用sigmoid函数进行的非线性处理

插播stm32学习的：

陀螺仪原理：

 

下面介绍机器学习线性回归的问题：

x就是各种已知道的特征，这就是回归任务的第一步，线性回归

，这是实际值

第二步 就是我有label 和feartures 用函数预测出预测label，比较好坏。选出比较规则。

 

利用梯度下降，第三步找到最好loss

 

这种情况看人品？no 线性回归不需要担心，永远是第一种情况

梯度下降的算法：

 

用二次拟合更好的model：

或者更高的次来拟合更好的model 和更低的loss：

直到你用更高次的model来拟合，train 的结果更高了，但是test的结果更差了，这个就是过拟合了overfitting了

这个时候我们还要考虑：有时候只考虑一种feature肯定是不够的

用冲激函数来乘 来做选择，考虑多种feature

把全部能想象到的参数都加进去，因为我们不知道有哪些参数是影响的，这样做，我们在train上可以得到很低，但是又可能会过拟合！做到这里，还可以回到第二步，定义model的好坏。第二部只考虑的了预测值的error，regularization是加上额外的wi

要求参数越小越好，降低敏感度，提高函数的平滑性！

也不可以太平滑了，就相当于一个水平线，啥也干不成。调整朗木达来调整，为什么朗木达里面没有加上b？因为调整b的大小根本没用

总结：一个输出和多个feature有关，不过我们不确定那些有影响，就会overfiting，可以用正则化来平滑函数