文章目录

• pytorch
• • nn.ModuleList() 和nn.Sequential()
  • nn.Cov2d((in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
  • n.ReLu(inplace=false) n.ReLu(inplace=false)
  • nn.sensor()
  • nn.Linear(in_features: int, out_features: int, bias: bool = True )
  • torch.randn(size,*args)
  • torch.optim
  • forward函数

• matplotlib.pyplot.hist(x, bins=None, density=None, alpha, histtype=‘bar’, color=None)

pytorch

nn.ModuleList() 和nn.Sequential()

• 一个有序的容器，神经网络模块将按照在传入构造器的顺序依次被添加到计算图中执行，同时以神经网络模块为元素的有序字典也可以作为传入参数
• 
  参考链接

nn.Cov2d((in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

• torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True) 是一个二维卷积操作 dilation 扩张卷积 bias 学习偏差

n.ReLu(inplace=false) n.ReLu(inplace=false)

• inplace默认false 不会改变值，会生成一个新的对象
• inplace为true，会改变值，不会产生一个新的对象 参考链接

nn.sensor()

• 生成张量，可以是sensor类型，numpy类型，list类型。。。。

nn.Linear(in_features: int, out_features: int, bias: bool = True )

• 参考链接in_features输入数据的列数，out_features 输出数据的列数 bias是偏置
  所以下面的函数调用应该是nn.Linear(2,3)
  

torch.randn(size,*args)

• randn是标准正态分布函数，返回一个指定shape的由标准正态分布数据组成的对象

torch.optim

• 是一个优化函数库，其中可以设置学习率lr 一般设置为1e-2

forward函数

实例化模型对象的时候，不需要调用forward，会自动执行，因为在__call__函数中调用了forward函数