pytorch卷积神经网络学习过程记录

网络模型搭建阶段
卷积过程相当于特征提取过程，对于一张3x224x224图像而言，如果采用N个大小为11x11(kernel_size),步长为4(stride)，边缘填充padding为2的卷积核，那么输出为Nx55x55。

• 计算公式为out_channel = (in_channel - kernel_size + 2*padding) / stride + 1

输出尺寸若为小数，默认下采样，即取整数部分。
一般卷积过后要加激活函数nn.ReLU()或者其他，
池化层一般以最大池化为主，池化核若为2，默认步长为2，计算公式与卷积输出计算公式相同，默认也是下采样。
由于彩色图像数据为三维数据，卷积池化操作结束后，需要将数据平展开来以进行全连接操作，最后一个全连接层的输出为分类数量。

模型训练阶段
处理图片数据集时，先datasets.ImageFolder对图像进行标准化处理并读入，再利用torch.utils.data.DataLoader载入数据。

模型训练一般分为以下步骤：读入数据–>传入网络–>计算损失–>梯度清零–>反向传播–>梯度更新

模型测试时记得加with torch.no_grad():，不加会报错，模型测试步骤为读入数据–>传入网络–>计算损失

模型预测阶段
载入模型预测时要将图像处理成与训练时一样的形式，一般为resize，归一化到[0,1]之间，标准化处理，维度拓展torch.unsqueeze操作