二维卷积神经网络在宽度和高度两个方向上移动，要求：卷积核的通道数与输入通道数一致；卷积核的个数与输出通道数一致。效果如下：torch.nn.Conv2d(in_channel, out_channel, kernel_size,stride,bias,padding)其中，in_channel, out_channel, kernel_size必须得写。kernel_size1=3， 表示卷积核大

Python Console适合对代码进行调试时使用，右侧可以看见变量及值。当切换不同的运行环境时，重启Python Console可以切换环境，可以看见此时的环境。Terminal相当于cmd的命令行操作。如果直接点击“+”，使用的是本机环境Local，可以在Local中切换本机安装的不同的虚拟环境。如果想要使用远程连接的服务器的环境，在setting中添加解释器后，Tools->Star

从笨重的pycharm转到vscode。vscode是编辑器，虽然可以安装各种extension，还是需要安装python解释器。

在import torch之后，torch.optim中包含了多种优化器，用于算法的优化，例如更新参数等。常见的优化器有SGD、Adam、Adagrad，需要参数传进去并优化，后续通过optimizer.step()可以实现每步训练完模型之后，都进行参数的优化更新。optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_de

代码如下：from sklearn.neighbors import NearestNeighborsimport numpy as npX = np.array([[-1,-1],[-2,-1],[-3,-1],[1,1],[2,1],[3,2]])nbrs = NearestNeighbors(n_neighbor

例子：先创建a：再创建b：将b进行repeat，得到c：b的维度是：[1,2,1,3]c = b.repeat(1,1,5,1)的含义是，在0维度重复1次，在1维度重复1次，在2维度重复5次，在3维度重复1次（重复1次，即不重复）；相当于把b的这一维度的值复制1次复制给c。参考：torch.repeat 张量维度复制：https://www.csdn.net/tags/MtTaIgysODAyND

>>> a = np.arange(10).reshape(2,5)array([[0, 1, 2, 3, 4],[5, 6, 7, 8, 9]])>>> a[:1,:3]array([[0, 1, 2]])>>> a[:2,:3]array([[0, 1, 2]])>>> a[:,:3]array([[0, 1, 2]])&

在程序最开始：使用单卡（前面也只写一个GPU），将数据和模型放到GPU上：使用多卡，针对模型，进行并行化处理：

在MathType“样式-定义”中，可以对数学、文本、函数、变量等不同类型进行定义，定义好之后，后续在公式编辑的时候，可以根据定义好的格式进行选择即可。参考：MathType部分加粗如何实现：https://www.mathtype.cn/jiqiao/bufen-jiacu.html......

纸上得来终觉浅，绝知此事要躬行。最近在学Pytorch和深度学习实践类的课程，老师讲得真的很不错呀，醍醐灌顶，感觉之前云里雾里的很多东西都清楚了，墙裂推荐。刘二大人-PyTorch深度学习实践：https://space.bilibili.com/21241234/channel/detail?cid=110513相关的两个博客，记录有代码和笔记：[1] https://blog.csdn.net