【深入浅出Pytorch-task3】上采样与下采样、神经网络中类的继承，调用父类初始化方法、对网络中间层进行修改

提出问题

1.下采样连接与上采样连接是什么?

下采样连接和上采样连接也可以叫做池化层以及上采样层

1.1 下采样（downsampling）

在深度学习中，下采样连接也叫下采样层，在视觉领域也称为池化层
目的就是用来降低特征的维度并保留有效信息，一定程度上避免过拟合。但是池化的目的不仅仅是这些，还有保持旋转、平移、伸缩不变形等。

上采样（upsampling）

在深度学习框架中，上采样连接可以简单的理解为任何可以让图像变成更高分辨率的技术。
上采样(upsampling)的三种方式：
1.插值法 (Interpolation)
2.反卷积 (Deconvolution)
3.反池化 (unPooling)

2.__init__中super的作用

super().init()，就是继承父类的init方法,调用了父类的init函数

3.如何在现有网络的中间层进行修改？

在该文中找到修改方式:
原文链接：https://blog.csdn.net/weixin_40692714/article/details/122738200

3.1 在原网络中加入一个层

在网络中加入(add_linear),如下

代码:

model.add_module("add_linear",nn.Linear(1000,10))

表示在model这个模型网络的尾部加入一层线性层

3.2 在子网络classifer中，加入一个层

在网络中结构的内部进行添加(add_linear)

代码:

model.classifier.add_module("add_linear",nn.Linear(1000,10))

表示在网络的结构classifier中的尾部加入一层线性层

可以看到与上面的差别在于多了一个classifier
上面是对model进行增加,这个是对model.classifier进行增加

3.3 对子网络classifier的第（6）层进行更改

代码:

model.classifier[6] = nn.Linear(4096,10)

又可以看到只是增加了一个[6]
修改网络变得十分的简洁