新东西太多了，一点点写
很有用的实践性很强的基于Pytorch的深度学习入门教程
准备阶段
三个小概念
图像通道表示
shape为[w, h, c]的nump.ndarray或img
shape为[c, w, h]的Tensor
参考文章：np.ndarray的[w, h, c]转为Tensor的[c, w, h]
torchvision
torchvision.transforms.Compose()类，其主要作用是主要作用是串联多个图片变换的操作，Compose里面的参数实际上就是个列表，而这个列表里面的元素就是你想要执行的transform操作下面的语句表示这个串联操作会先执行
torchvision.transforms.ToTensor()，再执行torchvision.transforms.Normalize()`transform = torchvision.transforms.Compose([torchvision.transforms.ToTensor(),
torchvision.transforms.Normalize(mean = [0.5],std = [0.5])])`
transforms.ToTensor()与transforms.Normalize()函数解析简单来说，前者转换输入图片的格式（格式变化见上一个小标题“图像通道表示”），并归一化到
(0,1)后者使用公式
"(x-mean)/std"，将每个元素分布到(-1,1)-
构建数据集
batch_size
Datasets&Dataloaders
数据增强操作
PyTorch 学习笔记:transforms的二十二个方法（transforms用法非常详细）
建立模型
面向对象编程的方式搭建CNN网络 | PyTorch系列（十三）
PyTorch神经网络中可学习的参数——CNN权重 | PyTorch系列（十五）
输出特征图的维度
很怪 用的网络不一样 Acc Rate能差1%
还得多研究研究
- 本文链接：https://wan-nan.github.io/2022/05/23/CV%E5%85%A5%E9%97%A8%EF%BC%9AMNIST-%E6%89%8B%E5%86%99%E6%95%B0%E5%AD%97%E4%BD%93%E8%AF%86%E5%88%AB/
- 版权声明：本博客所有文章除特别声明外，均默认采用 许可协议。