cursor做为当下使用最广的ai辅助编译器之一，其本质与vscode并无差别，使用起来也没有很大差别，下面是cursor界面展示左边是文件目录，中间是代码编辑区，下面是终端界面，右边是agent提示区，唯一与vscode有差别的地方就是右边的ai部分，跟大多数ai agent一样，能通过调用claude等模型辅助完成代码编译，bug修改等功能。

本节主要学习了Dataset数据加载代码实例。

这节学习Tensorboard的使用Tensorboad 可以用来查看loss是否按照我们预想的变化，或者查看训练到某一步输出的图像是什么样。

本节学习Transform的基本使用。

torchvision中有很多数据集，当我们写代码时指定相应的数据集指定一些参数，它就可以自行下载。CIFAR-10数据集包含60000张32×32的彩色图片，一共10个类别，其中50000张训练图片，10000张测试图片。

Dataset只是去告诉我们程序，我们的数据集在什么位置，数据集第一个数据给它一个索引0，它对应的是哪一个数据。Dataloader就是把数据加载到神经网络当中，Dataloader所做的事就是每次从Dataset中取数据，至于怎么取，是由Dataloader中的参数决定的。

从现在开始进入神经网络的搭建环节，先学神经网络的基本骨架nn.Module的使用。

卷积核不停的在原图上进行滑动，对应元素相乘再相加。下图为每次滑动移动1格，然后再利用原图与卷积核上的数值进行计算得到缩略图矩阵的数据，如下图右所示。示例如图input输入格式：tensor类型（minibatch，in_channels，iH，iW）（最小批次，通道数，高度，宽度）输入要进行卷积操作的5*5二维矩阵设定3*3的卷积核kernel查看输入矩阵和卷积核尺寸得到大小为5*5和3*3，不符

Conv1d代表一维卷积，Conv2d代表二维卷积，Conv3d代表三维卷积。kernel_size在训练过程中不断调整，定义为3就是3 * 3的卷积核，实际我们在训练神经网络过程中其实就是对kernel_size不断调整。可以根据输入的参数获得输出的情况，如下图所示。

最大池化层有时也被称为下采样，目的是保留输入的特征的同时减少数据量。dilation为空洞卷积，如下图所示。Ceil_model为当超出区域时，只取最左上角的值。池化使得数据由5 * 5 变为3 * 3，甚至1 * 1的，这样导致计算的参数会大大减小。例如1080P的电影经过池化的转为720P的电影、或360P的电影后，同样的网速下，视频更为不卡。