第1关：SGD# 声明一个线性模型# 补全代码，声明一个SGD优化器optimizer，其中，模型model中的linear层学习率为默认值1e-6# 输出优化器param_groups的长度# 输出linear层的学习率。

补全代码，声明一个Adadelta优化器optimizer，设置模型model中的linear层缩放的系数为1e-04，计算平方梯度的运行平均值的系数0.8，分母里的项为1e-04，权重衰减为0。# 补全代码，声明一个Adagrad优化器optimizer，设置模型model中的linear层学习率为默认值1e-6，学习率衰减0，权重衰减0，moment累加器的初始值1，eps为1e-9。第2关：

第1关：Inception。

然后，将该模型的softmax层之前的输出视为另一小模型的软目标。利用软目标传递来提高小模型的泛化能力，从而提高其性能。以上描述的是哪一种模型压缩方法（D）x = torch.linspace(-5, 5, 200)# 构造一段连续的数据。在模型优化过程中，Dropout层的作用是（A）

然后，将该模型的softmax层之前的输出视为另一小模型的软目标。利用软目标传递来提高小模型的泛化能力，从而提高其性能。以上描述的是哪一种模型压缩方法（D）x = torch.linspace(-5, 5, 200)# 构造一段连续的数据。在模型优化过程中，Dropout层的作用是（A）

output = self.fc(feature.view(img.shape[0], -1))# 全连接层。nn.Linear(16*16, 120),# 全连接层。nn.MaxPool2d(2, 2),# 最大池化层。nn.Conv2d(6, 16, 5),# 卷积层。nn.Conv2d(1, 6, 5),# 卷积层。激活函数、最大池化层、卷积层、激活函数、最大池化层，这里搭建全连接层，需要按

然后，将该模型的softmax层之前的输出视为另一小模型的软目标。利用软目标传递来提高小模型的泛化能力，从而提高其性能。以上描述的是哪一种模型压缩方法（D）x = torch.linspace(-5, 5, 200)# 构造一段连续的数据。在模型优化过程中，Dropout层的作用是（A）

前面1x1和3x3卷积的filter个数相等，最后1x1卷积是其expansion倍。# 用于ResNet50,101和152的残差块，用的是1x1+3x3+1x1的卷积。# 如果不相同，需要添加卷积+BN来变换为同一维度。# 经过处理后的x要与x的维度相同(尺寸和深度)# 用于ResNet18和34的残差块，用的是2个3x3的卷积。

补全代码，声明一个Adadelta优化器optimizer，设置模型model中的linear层缩放的系数为1e-04，计算平方梯度的运行平均值的系数0.8，分母里的项为1e-04，权重衰减为0。# 补全代码，声明一个Adagrad优化器optimizer，设置模型model中的linear层学习率为默认值1e-6，学习率衰减0，权重衰减0，moment累加器的初始值1，eps为1e-9。第2关：

前面1x1和3x3卷积的filter个数相等，最后1x1卷积是其expansion倍。# 用于ResNet50,101和152的残差块，用的是1x1+3x3+1x1的卷积。# 如果不相同，需要添加卷积+BN来变换为同一维度。# 经过处理后的x要与x的维度相同(尺寸和深度)# 用于ResNet18和34的残差块，用的是2个3x3的卷积。