_init__python运行：定义一个新的类MyData，继承自Dataset；：类的构造函数，创建数据集对象时会自动执行，接收两个参数：root_dir：数据集的根目录，比如；label_dir：类别目录，比如ants（代表蚂蚁的图片文件夹）；：把根目录保存到实例变量中，后续可以在类的其他方法里调用；：把类别目录保存到实例变量中；：拼接根目录和类别目录，得到完整的图片文件夹路径，比如；：读取目

三大基础预处理ToTensor()：PIL → Tensor，像素，转换维度；：标准化，常用，映射到[-1,1]；Resize()：双参数 = 强制固定尺寸（变形），单参数 = 等比例缩放（不变形）。Compose 组合器按列表从左到右顺序执行操作，是项目中标准预处理写法，严格遵守PIL操作 → ToTensor → Normalize顺序。相对路径../：上一级目录；./：当前目录；路径错误会导

本文通过手动卷积演示代码和真实数据集卷积实战代码对比，彻底讲清 PyTorch 中两种卷积写法的核心区别：F.conv2d（固定卷积核、纯数学计算、用于理解原理）nn.Conv2d（可训练卷积核、网络层、用于真实模型训练）包含：4 维张量维度详解、reshape 扩维原因、卷积尺寸计算公式、模型初始化与前向传播流程、CIFAR10 真实图像卷积全过程。

python运行# 自定义卷积神经网络类，继承 nn.Module（所有 PyTorch 模型的基类）# 调用父类 nn.Module 的初始化方法，必须写，否则模型参数无法被正确注册# -------------------------- 卷积+池化层定义 --------------------------# 第1层卷积：输入通道3（RGB图像），输出通道32，卷积核5×5，padding=2

python运行# 第1个卷积+池化块# 第2个卷积+池化块# 第3个卷积+池化块# 展平层+全连接层Flatten(),return x。

在深度学习训练中，我们经常需要：修改官方预训练模型（VGG、ResNet）给网络新增网络层保存训练好的模型、断点续训加载模型继续训练/推理PyTorch 提供了两种保存模型、两种加载模型的方式，新手极易混淆、极易报错。本文结合 VGG16 实战代码，一次性彻底讲透，以后永远不用死记硬背。

在深度学习训练中，我们经常需要：修改官方预训练模型（VGG、ResNet）给网络新增网络层保存训练好的模型、断点续训加载模型继续训练/推理PyTorch 提供了两种保存模型、两种加载模型的方式，新手极易混淆、极易报错。本文结合 VGG16 实战代码，一次性彻底讲透，以后永远不用死记硬背。

python运行# 自定义卷积神经网络类，继承 nn.Module（所有 PyTorch 模型的基类）# 调用父类 nn.Module 的初始化方法，必须写，否则模型参数无法被正确注册# -------------------------- 卷积+池化层定义 --------------------------# 第1层卷积：输入通道3（RGB图像），输出通道32，卷积核5×5，padding=2

本文通过手动卷积演示代码和真实数据集卷积实战代码对比，彻底讲清 PyTorch 中两种卷积写法的核心区别：F.conv2d（固定卷积核、纯数学计算、用于理解原理）nn.Conv2d（可训练卷积核、网络层、用于真实模型训练）包含：4 维张量维度详解、reshape 扩维原因、卷积尺寸计算公式、模型初始化与前向传播流程、CIFAR10 真实图像卷积全过程。