10.13又乙個文章，希望最後乙個文章
其實datalodar僅僅只是一種載入資料的形式，為了方便從而誕生的，其實最精妙的是連線的第四種，這裡滅有時間了，回頭再看。
直接用裸資料載入的方式。
############################
更棒的例項連線
torch.utils.data僅僅是用來載入dataset類資料的，所以呢需要進行打包資料集，看看怎麼打包啊寶貝。
講解鏈結
講解配合**例項例項
怎麼將矩陣的資料變成占用記憶體更小的資料。這樣講的話只能說利用batch了。
第一點輸入大小是什麼樣的關係，怎麼輸入對比輸出，輸入輸出的尺寸正好對比上矩陣的大小嗎，怎麼根據矩陣的大小調整網路的大小規格。
另外就是歸一化在**進行。
if pretrained:#這裡的與訓練是怎麼進行的。
state_dict = torch.load('./checkpoint/best_model_large_ckpt.t7', map_location='cpu')#這裡這句是幹什麼的。
__all__ = ['gen_dataset', 'load_data', 'folder_init', 'timer']#看不明白，這裡的問題，很迷啊。神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...
神經網路VD問題
隨著神經網路每層的學習速度其實是不一樣的，並且隨著層數增加這個問題就越來越明顯。一般來說，接近輸出層學習速率快，前面的層數學習慢，並隨著層數增加學習越來越慢。這種情況我們稱為梯度消失 vanishing gradient problem 下面我們就來分析一下為什麼會出現這種情況，並給出解決方案。若有...