1、多个输入通道彩色图像可能有RGB三个通道，转化为灰度会丢失信息。每个通道都有一个卷积核，结果是所有通道卷积结果的和。用公式表示：2、多个输出通道无论有多少个输入通道，到目前为止我们只用到单输出通道；我们可以有多个三维卷积核，每个核生成一个输出通道。每个输出通道可以识别特定模式；输入通道核识别并组合输入中的模式。3、1x1的卷积层kh=kw=1是一个受欢迎的选择，他不识别空间模式，只是融合通道；

1、网络结构2、Inception块四个路径从不同层面抽取信息，然后再输出通道维合并。4条 线路都使⽤了合适的填充来使输⼊与输出的⾼和宽⼀致。第一个Inception块，显示通道数，降低通道数来控制模型复杂度；每条路上通道数可能不同。跟3x3或者5x5卷积层比，Inception块有更少的参数个数和计算复杂度。3、GoogLenet5段，9个Inception块（1）段1和2更小的宽口，更多的通道

1、全连接层的问题 卷积层需要较少的参数； 但卷积层后的第一个全连接层的参数： LeNet 16x5x5x120=48k；AlexNet  256x5x5x4096=26M;VGG  512x7x7x4096=102M;2、NIN块 一个卷积层后跟两个全连接层，步幅1，无填充，输出形状跟卷积层输出一样，起到全连接层的作用。 3、NIN结构 无全连接层；交替使用NIN块和步幅为2

1、python与pytorch的区别对pytorch来说怎么处理python中的string类型：pytorh没有控件来处理string类型，在pytorch中用数字编码来替代。第一，采用One-hot的形式来表示，[0,1,0,...]第二，采用Embedding的形式来表示,常用的编码器Word2vec和glove。2、pytorch的数据类型3、数据类型的判断a=torch.randn(2

1、AlexNet定义2012年，AlexNet横空出世。这个模型的名字来源于论⽂第⼀作者的姓名Alex Krizhevsky [1]。AlexNet使⽤了8层卷积神经⽹络，并以很⼤的优势赢得了ImageNet 2012图像识别挑战赛。它⾸次证 明了学习到的特征可以超越⼿⼯设计的特征，从⽽⼀举打破计算机视觉研究的前状。2、AlexNet与LeNet的区别第⼀，与相对较⼩的LeNet相⽐，AlexN

1、网络结构2、Inception块四个路径从不同层面抽取信息，然后再输出通道维合并。4条 线路都使⽤了合适的填充来使输⼊与输出的⾼和宽⼀致。第一个Inception块，显示通道数，降低通道数来控制模型复杂度；每条路上通道数可能不同。跟3x3或者5x5卷积层比，Inception块有更少的参数个数和计算复杂度。3、GoogLenet5段，9个Inception块（1）段1和2更小的宽口，更多的通道

端到端指的是输入是原始数据，输出是最后的结果，原来输入端不是直接的原始数据，而是在原始数据中提取的特征，这一点在图像问题上尤为突出，因为图像像素数太多，数据维度高，会产生维度灾难，所以原来一个思路是手工提取图像的一些关键特征，这实际就是就一个降维的过程。相对于深度学习，传统机器学习的流程往往由多个独立的模块组成，比如在一个典型的自然语言处理（Natural Language Processing）

1、二维最大池化返回滑动窗口中的最大值2、填充、步幅、和多个通道池化层与卷积层类似，都具有填充和步幅；没有可学习的参数；在每个输入通道应用池化层以获得相应的输出通道；输出通道数=输入通道数；3、平均池化层最大池化层：每个窗口中最强的模式信号平均池化层：将最大池化层中的最大操作替换为平均；4、总结池化层返回窗口中最大或平均值；缓解卷积层对位置的敏感性；同样有窗口大小、填充和步幅作为超参数。5、代码实

多层感知机从零开始实现#首先需要导入需要的包import torchimport numpy as npimport syssys.path.append("..")import d2lzh_pytorch as d2l"""1、获取数据使用FashionMNIST数据集，使用多层感知机对图像开始分类"""batch_size=256 #批量大小设置为256，也就是每次读取256张图片train_

一、丢弃法（dropout）动机：一个好的模型需要对输入数据的扰动鲁棒使用有噪音的数据等价于Tikhonov正则丢弃法：在层之间加入噪音。使用丢弃法，通常将丢弃法作用在隐藏去拿连接层的输出上。丢弃的概率是控制模型复杂度的超参数。二、丢弃法从零开始实现from matplotlib import pyplot as pltimport torchimport torch.nn as nnimport