按照批次加载数据 Dataset torch.utils.data.Dataset是一个抽象类，表示数据集。用户需要自定义类来继承这个抽象类，并实现两个核心方法：__len__()和__getitem__() __len__()：返回数据集的总大小 __getitem__(index)：根据索引返回一个数据点 123456789101112from torch.utils.data impor

为什么要使用图像增广 防止过拟合：深度学习模型，尤其是复杂的模型，容易在训练数据上过拟合，即模型记住了训练数据中的特定细节而不是学习到通用的特征。图像增广通过引入变化的训练样本（相当于给训练样本添加噪声）帮助模型学习更鲁棒的特征，从而减少过拟合。 增加数据多样性：在实际应用中，输入到模型的图像可能会有各种不同的变化，如不同的拍摄角度、光照条件、尺度等。图像增广可以模拟这些变化，使模型能够更好地泛

状态字典 state_dict()方法用于返回模型所有参数和缓冲区的字典 state_dict 是一个字典，包含了模型的所有可学习参数（如权重和偏置）以及持久性缓冲区（如批量归一化的运行均值和方差）。这个字典的键通常是参数的名称。 比如： 1234567891011121314151617181920import torchimport torch.nnclass MLP(nn.Module):

检查GPU的可用性 确保GPU可用并且正确安装了CUDA和Pytorch的CUDA版本 12import torchprint(torch.cuda.is_available()) # 应该返回True如果GPU可用 查询可用GPU数量 123import torchprint(torch.cuda.device_count()) 设置设备 通过torch.device()方式指定是使用CPU还是

常见的优化器 SGD 随机梯度下降，基本的优化算法，它通过计算每个参数的梯度来更新参数。 我们可以使用SGD实现对所有样本的梯度下降、小批量梯度下降或者单样本的随机梯度下降。 1torch.optim.SGD(params, lr, momentum=0, dampening=0, weight_decay=0, nesterov=False) params：要优化的参数的迭代器或列表 lr：学

均方误差损失 均方误差损失，MSELoss，用于回归任务，计算预测值和真实值之间的均方误差 1torch.nn.MSELoss(reduction='mean') reduction：指定如何对输出进行降维，可选值为none、mean和sum none：不进行降维，返回每个样本的损失 mean：返回损失的均值，这是默认行为 sum：返回损失的总和 对创建的MSELoss

torch.nn.Flatten nn.Flatten用于将输入数据展平。在深度学习中，尤其是在处理图像数据时，我们经常需要将多维的图像数据展平为一维向量，以便将其输入到全连接层（也称为线性层）中进行进一步的处理。 1nn.Faltten(start_dim=1, end_dim=-1) start_dim：开始展平的维度。默认为1，意味着从第二个维度开始展平（在PyTorch中，第一个维度通常

torch.nn.init torch.nn.init是Pytorch提供的一个模块，用于初始化神经网络模型的权重和偏置。 常数初始化 1nn.init.constant_(tensor, val) 将tensor中的所有值初始化为常数val 正态分布初始化 1nn.init.normal_(tensor, mean=0.0, std=1.0) 使用均值为mean，标准差为std的正态分布来

什么是张量 在pytorch中，张量（tensor）是基于向量和矩阵的扩展，其可以扩展成任意维度。（注意，这里的张量与数学、物理上的张量不同） 张量 张量本质上就是多维数组，因此，张量的维度代表了我们从张量中指定一个元素所需要的索引个数。0维张量就是标量，不需要索引；一维张量就是向量，只需要一个索引就能找到对应元素；二维张量就是矩阵，我们需要同时指定行与列，才能确定到对应的元素，\(\cdo

torch.nn模块 torch.nn是pytorch中自带的一个函数库，nn的全程为neural network，译为神经网络，torch.nn就是pytorch中用于构建神经网络的模块。 习惯上，我们使用以下方式引入torch.nn： 1from torch import nn 或者 1import torch.nn as nn nn.Parameter torch.nn.Parameter是