一、基础知识
机器学习 本质就是通过 数据+答案的数据集 经过机器学习的训练 得到相关的规则进行预测
对应224×224×3的图像 代表的意思是 高×宽×通道
3通道可以理解为RGB的
二、Pytorch
pytorch好处
①利用GPU进行加速
②用于构建深度神技网络
三、如何实现一个神经网络
get_data() 准备数据 准备输入输出的张量（张量可以理解为数组）
get_weights() 创建学习参数，最原始的参数都是随机得到的，然后一步步优化
simple_network() 简单的网络架构 最简单的是线性规则作为输入产生对应的输出 y=wx+b
loss_fn() 损失函数，用来评估模型性能的好坏，同时可以作为优化器的输入 进行进一步的性能优化 常用的指标是误差平方和 SSE MSE
optimize() 优化器，调整初试随机权重（根据loss调整参数）
四、pytorch的数据类型
pytorch 有两种数据类型（张量和变量）
张量类似numpy中的数组
0维张量：标量 FloatTensor 或 LongTensor
1维张量：向量 元素序列的数组
2维张量：矩阵
3维张量：多个矩阵累加到一起（宽，高，颜色）
切片张量：进行截取
4维张量：一批图像
5维张量：视频
通常用cuda()方法，将张量从cpu复制到gpu
五、常用结构
torch.random 任意给定形状创建随机值
loss 评估损失
learning_rate 超参数，用较小梯度调整
优化器 常用的有Adam、RMSprop、SGD优化
加载数据：
DataSet类：任何数据集都要继承这个类，并且要实现__len__(self)与__getitem__(self,idx)方法
Dataloader：这个类位于pytorch 的utils类中，负责将数据集对象与不同取样器联合
常用的非线性函数有：sigmoid、tanh、ReLU、Leaky ReLU
①fx=1/(1+e^x)
输入实数，0-1之间输出，极大负值更接近0，极大正值更加接近1
②tanh
-1到1之间
③ReLU
fx=max（0，x）
有助于更快找到权重集合，随机梯度收敛快
成本低，只是判断就行
缺点：有很大梯度反向传播时，神经元完全无效，可通过选择对应的学习率来控制
④Leaky ReLU
非连续 饱和度设为0.001
六、构造神经网络的相关知识
pytorch子类要调用nn.Module
init初始化层，forward 传值并且返回输出
优化器需要一个标量值，由loss层生成，有时需要多个
也可以是交叉熵损失（总和为1）
loss=nn.CrossEntropyLoss()/nn.MSELoss()
input=Variable(torch.random(3,5),requires_grad=True)
target=Variable(torch.LongTensor(3).random_(50))
output=loss(input,output)
output.backward()
常用的损失函数
L1loss 正则化使用
MSELoss 均方误差损失，用于回归
CrossEntropyLoss 交叉熵损失，用于二分类和多类别分类
NLLLoss 用于分类
NLLLoss2d 像素级分类
常用的优化网络架构
ADADELTA
Adagrad
Adam
Sparse
Adamax
ASGD
LBFGS
RMSprop
Rprop
SGD
优化中要记得用zero_grad()函数避免参数累加
七、数据集处理
glob方法返回特定路径的所有文件，文件巨大可以用iglob
pytorch对数据做的工作
1、转换为同等大小
2、用数据集的均差和标准差归一化
3、图片数据转换为Pytorch张量
DataLoader： 两个参数
1、shuffle 为True的时候，每次调用混合排列图片
2、num_workers：用于并发 并发进程个数
通过torchvision.models 获取模型
