device = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 注意不要放到 前面。L += loss.data.item() # loss是tensor，想让L保持float所以要写成loss.data.item()transforms.Normalize((0, 0, 0), (1, 1, 1)), #R,G,B每

'30海豚 ',' 31大象','32母老虎 ', ' 33森林','34狐狸',' 35女孩','36负鼠', ' 37房子', '38水獭',' 39键盘',= (' 0苹果', ' 1水族馆的鱼',' 2宝贝',' 3熊','4豪猪 ', ' 5 床 ', ' 6蜜蜂',' 7甲虫',' 8自行车',' 9瓶子',

'tank85坦克', 'telephone86电话机', 'television87电视机', 'tiger88老虎', 'tractor89拖拉','train90火车','trout91鳟鱼', 'tulip92郁金香', 'turtle93乌龟', 'wardrobe94衣柜','bowl10碗','boy11男孩', 'bridge12桥', 'bus13公共汽车', 'butterfl

/虚线l.out_c=12,l.c=16,在这里是实线，l.out_c=16,l.c=16。<< <blocks, threads >> > (grad备用, input2, d_residual, NN);//要记住这个梯度，即备份一个。rb均值: -2.3626189232,rb方差:17.546411514282。

从yolov3照抄过来很久了，一直在用！致敬darknet，在黑夜中，我一路摸索过来了！rb均值: -0.0528148264,rb方差:12.704451560974。rb均值: -1.9420509338,rb方差:31.510337829590。rb均值: -1.9591114521,rb方差:31.622909545898。rb均值: -0.0573744811,rb方差:12.80381

上面两个版本都使用卷积层权重和bias的动量参与！下一步，问题自然而来！用darknet架构，上了79，用自己的，也上了79，训练cifar10，

使用卷积层权重和bias的动量参与！我估计，pytorch正是找到了这样的版本。

/为该层的所有卷积核分配内存。////delta Bh2【j】=delta Bh2【j】*ds(ho2[j]),j取0....119/////////index_kernel=120*16,index_kernel_weight=25。//卷积6*11*11********************************//池化2*2*16*****************************

'tank85坦克', 'telephone86电话机', 'television87电视机', 'tiger88老虎', 'tractor89拖拉','train90火车','trout91鳟鱼', 'tulip92郁金香', 'turtle93乌龟', 'wardrobe94衣柜','bowl10碗','boy11男孩', 'bridge12桥', 'bus13公共汽车', 'butterfl

/此处是32位灰度图像（黑白）;//640*480转227*227。我们打开电脑自带的摄像头软件，放置在left=0，top=0的地方，然后程序中。然后遮住摄像头，识别了一下，softmax处理后的结果是7左右，还行！//不用glob_rgbValues[nn * 4+3]alpha分量。，实时截屏rect=（0，0，640，480）区域，然后我们调用。训练后，识别了一下，softmax处理后的结