- 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
- 🍖 原作者：K同学啊
前言
- 任务：P1周（实现mnist手写数字识别）
- 要求：
1.了解pytorch，并使用pytorch构建一个深度学习程序；2.了解什么是深度学习 - 拔高（可选）：学习提到的函数方法
语言环境
Python3.8
PyTorch 版本: 1.12.1+cpu
Torchvision 版本: 0.13.1+cpu
代码运行过程
1.设置硬件设备
2.下载数据
3.数据加载
个人总结：训练集中shuffle为True为了打乱顺序，防止将特征与顺序进行联系
加载模型并打印
个人总结：
- 模型主要分为两个部分，一个是参数的设置，第二个是定义计算流程的顺序
- 卷积核=输出通道，每一个卷积核负责捕捉一种局部特征。32和64是经验参数，不能太大也不能太小，经典本案例使用的32和64是经典逐层翻倍设计
- 全连接层将前面得到的额特征一维化，可用于后续特征加权计算
编写训练函数
个人总结：
- 函数先设置初始随机，在一次次迭代修正和优化特征权重
- 训练函数包含三个核心：1.梯度清零2.反向传播计算梯度3.更新权重。目的让模型越来越准
编写测试函数
- 测试函数不需要权重更新，只需要前向预测、统计loss和准确率
正式训练
可视化
CNN模型定义主要分为两块：1.参数定义；2.计算流程定义
在应用中需要分别定义训练函数和测试函数
训练函数目的：根据CNN模型得到的特征进行最优权重计算
测试函数目的：誉为进行预测即损失韩式和准确性的计算。
