本篇介绍了：为什么随着迭代次数越来越多，模型的准确率会上下震荡甚至于下降。—> 过拟合pt\pth,t7三个扩展名，用于保存完整模型或者模型参数。模型的好坏，通过体现在测试集的结果上。保存最优模型的两种方法：保存模型参数和保存完整模型。

本篇介绍了部分损失函数：1. L1Loss损失函数：通常用于回归任务中。2. NLLLoss损失函数：在多分类问题中广泛应用。3. MSELoss损失函数：在多种回归任务中表现出色。4. BCELoss损失函数：广泛应用于各类二分类任务中。5. CrossEntropyLoss交叉熵损失函数：广泛应用于多分类问题中。

本篇介绍了：ResNet残差网络的好处：解决梯度消失和梯度爆炸以及退化问题。ResNet残差网络有两个核心特征：1. 残差结构；2. BN（Batch Normalization）。残差结构：防止退化。BN：减少梯度消失和梯度爆炸问题。

本篇介绍了如何搭建卷积神经网络，其主要的构造部分为卷积层、激活层以及池化层，可以搭建多层该部分对数据进行多次卷积、池化。注意：同普通的神经网络不同，卷积神经网络在传入图片时不需要将其展开，因为对图片进行卷积就是在原图上进行内积，不能展开。

本篇介绍了：如何进行迁移学习对迁移模型进行微调：微调全连接层微调卷积层（本篇未写），原理相同，可自行尝试注意：原本的模型参数务必要冻结住，那是已经调好的，可以节省计算时间。仅需要调整修改部分的参数。

本篇介绍了：数据增强的方法。数据增强是如何体现的。注意：数据增强与过采样直接拟合大量数据不同，数据增强体现在每次循环训练数据前，都给数据进行一次随机变换，使得每次训练的数据都不一样，从而实现训练大量的数据。

本篇介绍了：1. 通过调整学习率能够优化训练速度、提高训练稳定性、适应不同的训练阶段以及改善模型性能。2. 调整学习率有两种方法：1.使用库函数进行调整；2.手动调整学习率3. Pytorch学习率调整策略通过 torch.optim.lr_sheduler接口实现。并提供3种库函数调整方法：有序调整、自适应调整以及自定义调整。4. 在库函数调整方法中，注意在每个epochs迭代训练时，使用sch

本篇介绍了部分损失函数：1. L1Loss损失函数：通常用于回归任务中。2. NLLLoss损失函数：在多分类问题中广泛应用。3. MSELoss损失函数：在多种回归任务中表现出色。4. BCELoss损失函数：广泛应用于各类二分类任务中。5. CrossEntropyLoss交叉熵损失函数：广泛应用于多分类问题中。

本篇介绍了如何搭建卷积神经网络，其主要的构造部分为卷积层、激活层以及池化层，可以搭建多层该部分对数据进行多次卷积、池化。注意：同普通的神经网络不同，卷积神经网络在传入图片时不需要将其展开，因为对图片进行卷积就是在原图上进行内积，不能展开。

本篇介绍了如何通过创建LBPH的人脸识别器来进行人脸识别。