1.GoogLeNet：蓝色的块是卷积，红色的块是池化，黄色的是softmax减少代码冗余：函数/类当网络结构复杂，对于类似或者相同的子结构，就可以把这个子结构（块）封装成一个类GoogleNet，常被用作基础主干网络，图中红色圈出的一个部分称为Inception块2. InceptionModule解析卷积核的大小：GoogleNet的下面这个块出发点是不知道多大的卷积核好用，那就在一个块里面把

用Pytorch实现线性回归:1.准备数据集2.设计模型(计算y_pred)3.构造损失函数和优化器4.训练周期（前馈、反馈、更新）1.准备数据集x_data = torch.Tensor([[1.0] ,[2.0], [3.0]])y_data = torch.Tensor([[2.0], [4.0], [6.0]])2.设计模型(计算y_pred)我们的模型类应该从nn.Module继承，它是

1.Dataset and DataLoader(加载数据的两个工具类)dataset：构造数据集（数据集应该支持索引，能够用下标操作快速把数据拿出来）dataloader :主要目标用来拿出一个mini-batch来供训练时快速使用。2.Mini-batch 优点我们之前学过在进行梯度下降时，有两种选择：①全部的数据都用（Batch）②随机梯度下降：只用一个样本只用一个样本可以得到比较好的随机性

网络结构：代码程序：import torchfrom torchvision import transformsfrom torchvision import datasetsfrom torch.utils.data import DataLoaderimport torch.nn.functional as F# 用Relu函数import torch.optim as optim# 优化器优

1.分类任务的数据集① The MNIST Dataset：handwritten digitsTraining set: 60,000 examples,Test set: 10,000 examples.Classes: 10import torchvisiontrain_set = torchvision.datasets.MNIST(root='../dataset/mnist', tra

RNN循环神经网络：对线性层的复用DNNDense网络：稠密网络，有很多线性层对输入数据进行空间上的变换,又叫DNN输入x1,x2…xn是数据样本的不同特征Dense连接就是指全连接比如预测天天气，就需要知道之前几天的数据，每一天的数据都包含若个特征，需要若干天的数据作为输入假设现在取前3天，每一天有3个特征把x1,x2,x3拼成有9个维度的长向量，然后去训练最后一天是否有雨用全连接稠密网络进行预

用RNN做一个分类器，现在有一个数据集，数据集里有人名和对应的国家，我们需要训练一个模型，输入一个新的名字，模型能预测出是基于哪种语言的（18种不同的语言，18分类）在自然语言处理中，通常先把词或字编程一个one-hot向量，one-hot向量维度高，而且过于稀疏，所以一般来说呀先通过嵌入层（Embed）把one-hot向量转化成低维的稠密向量，然后经过RNN，隐层的输出不一定和最终要求的目标一致

1.Dataset and DataLoader(加载数据的两个工具类)dataset：构造数据集（数据集应该支持索引，能够用下标操作快速把数据拿出来）dataloader :主要目标用来拿出一个mini-batch来供训练时快速使用。2.Mini-batch 优点我们之前学过在进行梯度下降时，有两种选择：①全部的数据都用（Batch）②随机梯度下降：只用一个样本只用一个样本可以得到比较好的随机性